做完转录组分析之后，一般都要求做qRT-PCR来验证二代测序得到的转录本表达是否可靠。荧光定量PCR是一种相对表达定量的方法，他的计算方法有很多，常用的相对定量数据分析方法有双标曲线法，ΔCt法，2^-ΔΔCt法(Livak法)，用参照基因的ΔCt法和Pfaffl法。这里主要讲解常用的2^-ΔΔCt法(Livak法)如何计算；

qRT-PCR原理：

以基因的cDNA为模板进行PCR扩增，在PCR扩增过程中，通过收集荧光信号，对PCR进程进行实时检测。由于在PCR扩增的指数时期，模板的Ct 值和该模板的起始拷贝数存在线性关系，所以可以定量。

Ct值是什么意思呢？

Ct 值的含义是：每个反应管内的荧光信号达到设定的域值时所经历的循环数 (cycle)。 qRT-PCR在扩增的时候都会有平台期，在平台期之前，PCR 扩增就是简单的指数增长，也就是 1 变 2，2 变 4，4 变 8 …扩增。数学形式就是 2 的 ct 次方，到了平台期所有基因扩增的数目是一致的，而唯一有区别的则是 ct 值的不同。所以不难推断出 ct 值越小，反应扩增到达平台期所需循环数越少，目的基因起始含量越高。这里可以得到公式：

https://www.omicsclass.com/image/show/attachments-2018-09-vqhexX0o5ba38dce3d01f.jpg

https://www.omicsclass.com/image/show/attachments-2018-09-dBpJOkqj5ba38e0ee615e.jpg

计算-ΔΔCt

在这里，我们有一个对照组，一个处理组，还有一个内参基因和目的基因，想看一下目的基因在处理组中相对与对照中的表达差异，也就是计算-ΔΔCt：数据如下：

https://www.omicsclass.com/image/show/attachments-2018-09-YnSMN3575ba38e1b7e42a.jpg

1.计算每组内参基因sgAction Ct均值

https://www.omicsclass.com/image/show/attachments-2018-09-jKC4iwua5ba38e25ba9a1.jpg

1. 计算第一个 Δct，即每组的待检目的基因减去内参基因的 Ct 值

https://www.omicsclass.com/image/show/attachments-2018-09-XQtn8fVc5ba38e2ebab2e.jpg

3.计算对照CK组中 Δct 的均值，再用处理组的 每一个Δct 减去刚刚计算的对照CK组的 Δct 均值，得到 ΔΔct（红框框）

https://www.omicsclass.com/image/show/attachments-2018-09-UqBDc8BY5ba38e373ad38.jpg

4.相对表达量计算，也就是相对于对照组: 2^-ΔΔct：

https://www.omicsclass.com/image/show/attachments-2018-09-oiwwvPX25ba38e47a3568.jpg

不难看出这里的-ΔΔct和我们转录组当中的log2（fold change）值是一致的，所以如果多做几个基因就可以绘制类似如下图：

https://www.omicsclass.com/image/show/attachments-2018-09-mxgH7WkI5ba38e5019b7a.jpg

或者相关性点图：

https://www.omicsclass.com/image/show/attachments-2018-09-8KBvnfRL5ba38e59ed3f8.jpg

测试数据表格下载：qRT-PCR_demo_data.xlsx

更多生物信息课程：

1. 文章越来越难发？是你没发现新思路，基因家族分析发2-4分文章简单快速，学习链接：基因家族分析实操课程、基因家族文献思路解读

2. 转录组数据理解不深入？图表看不懂？点击链接学习深入解读数据结果文件，学习链接：转录组（有参）结果解读；转录组（无参）结果解读

3. 转录组数据深入挖掘技能-WGCNA，提升你的文章档次，学习链接：WGCNA-加权基因共表达网络分析

4. 转录组数据怎么挖掘？学习链接：转录组标准分析后的数据挖掘、转录组文献解读

5. 微生物16S/ITS/18S分析原理及结果解读、OTU网络图绘制、cytoscape与网络图绘制课程

6. 生物信息入门到精通必修基础课：linux系统使用、docker搭建生物信息分析环境、实验室linux生信分析平台搭建、linux命令处理生物大数据、perl入门到精通、perl语言高级、R语言画图、R语言快速入门与提高、python语言入门到精通

7. 医学相关数据挖掘课程，不用做实验也能发文章：TCGA-差异基因分析、GEO芯片数据挖掘、 GEO芯片数据不同平台标准化 、GSEA富集分析课程、TCGA临床数据生存分析、TCGA-转录因子分析、TCGA-ceRNA调控网络分析

8.其他，NCBI数据上传、二代fastq测序数据解读、

9，高级生物信息分析课程：重测序数据自主分析、二代测序转录组数据自主分析、微生物扩增子分析课程实操