从字面上来理解，相对定量就是“相对而言的量的关系”，它并不关注样本中含有的靶标的绝对数量，而更关注实验样本相对于对照样本的靶标的量的变化，通常用倍数关系来表示。常规的基因表达和拷贝数变异CNV实验就属于这个范畴，略有不同的是，CNV实验考量的是样本内靶标基因对内参基因的倍数关系。

Normalizer

       同绝对定量一样，相对定量实验也需要normalizer，否则就不是同一个水平线上进行的比较。绝对定量用到的那些normalizer，在相对定量中一样可以使用。比如对照组使用了1000个细胞，靶标的Cq值是32；实验组使用了500个细胞，靶标的Cq值是30，假设扩增效率100%，那么实验组的相对表达量就是8（对照组是1）。实际上，相对定量中更常用到的normalizer是内参基因，比如大家常用的Gapdh，β-actin等。通常假定内参基因的表达量不受实验刺激因素的影响，然而，常常这个条件不能满足，或者不知道是否满足，这就给实验的准确性带来了很大挑战。目前，很多杂志都要求文章中用到的qPCR内参基因需要验证其表达稳定性，未来我会拿出一个专题来讨论这个问题。

The 2-△△Cq(Livak) Method

       这大概是基因表达实验中用的最多的计算方法，最早由Livak等人于2001年提出[1]。尽管这是大家所熟知的公式，但还是有不少人对怎么减和减的先后顺序有所混淆。这里将文章中的推导过程做一展示(Fig 1)，同时也是为了让大家了解这个公式的应用前提。

Figure 1. 2-△△Cq公式的推导过程[1]

      首先计算的是最里面的△，这是经过normalization后的靶标的表达量，然后再计算外面的△，这是与对照样本对比的表达量倍数。推导过程中做出了靶标基因和内参基因的扩增效率都是100%的前提假设，但这一点在实验中往往并不容易满足，尤其是碰到复杂样本（如环境样本，FFPE样本等）时。实际中这个公式的应用条件可以适当放宽的，一般要求靶标基因和内参基因的扩增效率在90%-110%之间，且两者相差不能超过5%。如果这个条件不能满足，可以采用PfafflMethod。

Pfaffl Method和Vandesomple Method

       PfafflMethod在靶标基因和内参基因效率相差较大时应用[2]，推导过程类似，在此不做赘述。更进一步的，Vandesomple Method在同时有多个内参基因时进行校正，采用的normalizer是所有内参基因表达量的几何平均数[3]。当没有证据表明所用的内参基因是表达稳定的时，更推荐使用2-3个内参基因来做normalization，可以显著提升数据质量[4]。更多的内参基因可以使normalization过程的变异程度降到更低，数据的variation会更小（Fig 2）。

Figure 2. 采用不同数量的内参对C基因表达量进行day-to-day重复性评估[4].

扩增效率

       很多人会问，相对定量还有必要做标准曲线吗？答案是肯定的。相信大家也可以看到，PfafflMethod和Livak Method的区别就是在于扩增效率，因此如果没有评估靶标和内参的扩增效率，也就无法做出选择。相对定量时做标准曲线要简单的多，并不需要有已知浓度的标准品，只需要将浓度相对较高的某个待测样本（可以小量预实验）每次稀释2-4倍，有4-5个梯度就可以对扩增效率进行比较准确的预估了。