先看结论：候选优先级应同时考虑效应、稳定性、证据背景、细胞来源和后续可验证性。P 值最小的基因可能只是表达量高或样本量带来的结果；多个算法共同选中也可能来自同一数据偏差。先规定筛选规则，再保留支持和反对每个候选的证据。
适用情况
已有差异、富集、共表达或机器学习结果，需要选出少量可进一步验证的候选基因。
建议按这个顺序检查
- 区分候选用途：机制研究看可干预环节，预测研究看独立泛化，不能用同一排名替代两种目标。
- 同时查看效应量、不确定性、表达可检测性和多重检验结果，避免只按 P 值排序。
- 检查外部方向、供体层稳定性、细胞类型来源和潜在批次影响。
- 回到原始文献核对调控角色、实验体系和证据强度，保留冲突与未知项。
- 把检测和干预可行性纳入计划，冻结首轮候选及备选理由后再进入验证。
候选证据表比单一分数更有用
| 评价维度 | 应记录的事实 | 警示信号 |
|---|---|---|
| 统计支持 | 效应量、区间、校正 P 值 | 效应极小却只强调显著 |
| 稳定性 | 不同供体与独立队列方向 | 由个别样本驱动 |
| 生物学背景 | 文献角色、物种、处理条件 | 只引用数据库标签 |
| 细胞来源 | 目标细胞中的表达与变化 | 主要信号来自混入细胞 |
| 验证可行性 | 可检测、可干预及预期读数 | 没有区分机制的实验路径 |
依据：FerrDb V3 官方帮助：分类、置信等级与数据版本 · DESeq2 官方教程：输入、设计矩阵与技术重复 · TISCH2：肿瘤微环境单细胞数据库
一个候选排序的示意例子
假设候选 A 的 P 值最小，但变化主要来自免疫细胞比例；候选 B 的效应较稳定，在目标细胞内可检测，也有适合的干预手段。若课题目的是研究目标细胞机制，B 可能更值得先试。若目的是预测，两者仍需进入严格的训练验证流程后才能比较。
这个例子没有给出真实基因或结果，说明的是决策逻辑。可以为各维度写明确的最低要求，但不要把主观评分包装成客观已验证的生物学价值。
防止算法共识制造虚假把握
LASSO、随机森林和差异筛选若使用同一批标签，交集依然不是外部证据。用于性能评估的测试集必须与筛选流程隔离；内部重采样时，筛选和调参要放在训练部分内部。
机制候选的后续材料也应包含阴性或不一致证据。若外部数据方向相反，先检查人群和细胞背景，而不是仅保留支持预期的队列。候选卡最后写清“下一步将通过什么结果支持或否定这个假设”。
不能从当前结果直接得出什么
候选优先级是研究决策，不是因果证明。高相关、网络中心性、算法重要度和文献数量均不能单独确定机制核心；预测变量也不必然是干预靶点。
依据与版本
- FerrDb V3 官方帮助：分类、置信等级与数据版本FerrDb V3；2026-10-10 核对
- DESeq2 官方教程：输入、设计矩阵与技术重复release 在线教程；示例应匹配本地版本
- TISCH2：肿瘤微环境单细胞数据库TISCH2；2026-10-10 核对
- TRIPOD 官方资源：预测模型开发与验证清单2015 基础资料与勘误；现行更新另见 TRIPOD+AI
最后核验：2026-10-10｜资料核验：AI 编写与公开来源核对；未经人工专家审阅
依据公开来源核对概念、输入、证据边界与版本口径；示意数据不代表真实研究结果。仅标明的小型代码示例经过运行检查，不代表完整生物信息流程或原论文已复现。