看到一个剪接连接的平均变化为零点三，很多人会自然地把它理解成三十个百分点的明确改变。但平均值只描述分布的一个位置，不能告诉我们不确定性有多大、变化是否达到关心的幅度，也不能保证方向已经确定。
本篇结合 MAJIQ 的公开文档，使用原创离散概率练习解释局部剪接变异、包含水平、差异分布和逐样本检查。附件实际运行的是独立 Python 算术脚本，没有安装或运行 MAJIQ，没有拟合后验分布，也没有从真实数据生成统计结果。
局部剪接选择不是完整异构体身份
一个外显子可能向不同下游位置连接，也可能由多个上游位置连接到达。MAJIQ 使用局部剪接变异组织这样的选择关系。这里的局部很关键，观察到一个连接的使用比例，不等于已经识别了整条转录本的所有其他连接。
可以把一个局部事件想成从同一处出发的三个分支。读段支持告诉我们三个分支各自占多少，却可能无法回答这些分支在更远位置又与哪些结构相连。把局部比例直接命名成某条完整转录本的表达量，会超出证据范围。
同一个基因也可能出现多个局部事件，有些事件还共享连接。汇总时应同时保留局部事件与具体连接的标识，不能把同一变化在不同局部视角下的出现，自动当成多次独立验证。
官方概览将剪接图、局部事件和包含水平分别定义。包含水平是在当前局部选择集合中的相对量，不是这个基因占全样本表达量的比例。MAJIQ 概念概览
本篇为什么不提供软件实跑结果
MAJIQ 官方商业下载说明针对商业用途或商业机构人员提供单独许可路径。在尚未确认覆盖本次用途的授权前，我们只使用公开资料并运行自编数学练习，不下载或使用学术许可软件来替代商业授权。MAJIQ 商业许可说明
下面所有概率点、权重和包含比例都是手工设定。它们用于检验读表逻辑，不表示 MAJIQ 会对某种输入生成这样的分布，也不是对其推断算法的简化复刻。
这种练习适合先把问题拆清楚。哪些量描述变化幅度，哪些量描述不确定性，哪些量依赖组别方向，哪些量只能从样本分布理解。明确这些区别后，阅读真实输出和决定进一步验证目标都会更有依据。
先看一个三个分支的局部事件
设组 A 的三个连接比例分别为零点六、零点二五和零点一五，组 B 分别为零点三、零点四五和零点二五。每组加起来都为一。按本练习明确规定的 A 减 B，三个差值为正零点三、负零点二和负零点一。
| 连接 | 组 A | 组 B | 练习中的 A 减 B |
|---|---|---|---|
| J1 | 0.60 | 0.30 | 0.30 |
| J2 | 0.25 | 0.45 | −0.20 |
| J3 | 0.15 | 0.25 | −0.10 |
三个差值相加为零。这是局部组成关系的结果，一条分支相对份额增加，其他分支的份额需要共同补偿。它不代表整个基因的总表达量守恒，更不说明三个分支在绝对分子数上发生了同等方向的变化。
这里的差值方向是练习自己声明的，不能不核对版本、输出列和组名，就把它套到任意软件文件上。实际记录应写清比较的两个条件及相减顺序，避免一个正号在不同报告中被解释成相反含义。
平均变化为零点三，仍然可能有不同的不确定性
我们构造两份概率分布，二者平均值都等于零点三。第一份只有三个可能位置，零点二五、零点三和零点三五，对应权重零点二、零点六和零点二。全部概率质量都落在较大正变化区域。
第二份设在负零点一、正零点一和正零点五八，权重分别为零点二、零点三和零点五。加权平均同样是零点三，但一半概率质量落在绝对变化不超过零点二的区域，还存在负方向的质量。
如果关心绝对变化超过零点二的概率，第一份为一，第二份为零点五。若只看均值，两者完全相同。如果还看正方向概率，第一份为一，第二份为零点八。
| 人工分布 | 平均变化 | 大于 0.2 的绝对变化概率 |
|---|---|---|
| 集中的较大变化 | 0.30 | 1.00 |
| 分散但均值相同 | 0.30 | 0.50 |
| 正负方向各半 | 0.00 | 1.00 |
| 集中的小变化 | 0.05 | 0.00 |
因此，平均效应与超过阈值的概率需要一起解释。前者大，不保证后者高。只把均值列画成一个柱状图，会掩盖分布宽度和方向不确定性。
本例中的一只是有限人工概率点的精确加和，不是生物学真实性百分之百的保证。真实推断还依赖模型、输入质量和假设是否适当，不能把一个很高的模型概率写成外部实验已经完成验证。
绝对变化可信，不等于方向已经明确
第三份人工分布把一半质量放在负零点三五，另一半放在正零点三五。它的平均变化为零，但绝对变化超过零点二的概率为一，而正方向概率只有一半。
这组数字是为了展示逻辑区别。只看平均值，会觉得没有变化。只看绝对变化概率，又可能觉得存在很强的变化。二者实际上描述不同问题，分布对变化幅度很明确，对方向却没有确定判断。
因此，采用绝对值阈值筛选后，如果还要给候选添加上升或下降标签，应继续查看方向证据与分布形态。不能仅靠一个接近零的平均值强行决定方向。
在真实项目里，如果出现类似难以用单一均值解释的分布，值得回到逐样本结果、覆盖和局部结构检查。不要为了得到干净的二分类列表，就删除与主叙述不一致的那部分信息。
方向很确定，也可能只是很小的变化
第四份人工分布放在零点零三、零点零五和零点零七，权重仍为零点二、零点六和零点二。全部质量都在正方向，所以正方向概率为一，但没有任何质量超过零点二的幅度门槛。
这说明方向判断与生物学上关心的变化范围也要分开。一个非常稳定的小改变，可能对某些问题有价值，对另一些问题则不值得优先验证。决定优先级，需要研究目标，而不是只有概率大小。
零点二只是本练习选择的阈值，用来便于手算。它不是所有实验都应该采用的固定标准。设定阈值前，应考虑问题尺度、重复性和后续验证方式，并说明选择依据。
如果结果表同时提供不同阈值下的概率，也不应事后遍历很多阈值，只挑一个看起来最显著的版本报告。保留预先定义的目标和完整对照，更容易让结论被复查。
后验概率不能直接改名为 P 值
在上述练习中，我们计算的是某个分布中满足条件的概率质量。它回答的是给定当前分布，变化落在关心区域的质量有多少。传统检验的 P 值对应另一种问题，不能仅因为两者都落在零到一之间就互相替换。
也不能直接把一减去较大变化概率当成经过多重比较校正的 FDR。这样的计算没有自动定义相应检验集合、错误率控制过程或可比较的统计假设。
MAJIQ 的不同分析模式也不应混作同一种输出。公开文档区分单组包含水平、重复组之间的差异分布，以及把样本视为独立观察来检查组间变化的模式。使用前要先确认当前结果来自哪一种分析。MAJIQ 定量模式
如果报告中同时出现效应量、某类检验值和后验概率，应给每列保留原始名称及计算来源。为了表格看起来简洁而统一改名成显著性，往往会损失最重要的信息。
一个离群样本就能改变均值的方向
再看一组原创样本练习。组 A 的四个值是零点二、零点二、零点二和零点九，组 B 四个值都是零点三五。组 A 的均值为零点三七五，比组 B 稍高，但其中位数为零点二，反而明显更低。
这不是统计函数矛盾，而是高值样本对均值具有明显影响。若只报告组均值，读者容易误以为多数 A 样本都高于 B，实际情况正好相反。
看到这种模式，不应立刻删去高值样本。先检查样本身份、覆盖、质量和实验背景，判断它是技术异常、真实异质性，还是研究设计允许的一种差异。删除和保留都需要证据，而不是为了让方向符合预期。
官方关于异质样本分析的说明也区分效应大小与检验统计，并提醒多项筛选条件的组合不应直接包装成已经校准的统一检验概率。本文没有运行这些检验，只用样本例子说明为什么均值不能替代分布检查。MAJIQ HET 统计说明
和为零也不能保证连接对应正确
最开始的三分支例子，还可以演示一个数据整理错误。假设组 A 按 J1、J2、J3 排列，组 B 却按 J2、J1、J3 排列。若直接按位置相减，得到正零点一五、负零点零五和负零点一。
这三个错误差值仍然相加为零。因此，通过总和检查并不能证明连接已经正确对齐。两个正确归一化的向量，错位相减后仍可能满足这个简单约束。
正确做法是依据连接标识或明确的坐标和方向进行关联，再计算差值。不要假定两个文件的行顺序、局部事件内的分支顺序或临时编号永久一致。
附件脚本同时保留正确关联和错误位置相减的结果。两者都通过零和检查，却只有前者保留了连接身份。这个例子适用于许多组学表格，数值校验与对象身份校验必须同时存在。
同一个项目中不要混用不同大版本的文件约定
当前公开文档已经提供第三版迁移说明，列出了与第二版不同的流程拆分和文件类型。某些旧教程里的输入输出，不能直接与新版本命令拼接。
阅读教程时，应先记录软件版本、文档版本和输出格式，再决定哪些命令适用。公开文档不同页面对于可视化兼容性的描述也可能更新不同步，因此应继续核对所用安装版本的实际帮助和配套说明，不凭某一页概览推断全部文件都兼容。MAJIQ 版本迁移说明
本篇没有安装软件，所以不提供声称已验证的完整命令链。实际获得相应用途授权并准备执行时，应先用小规模已知输入检查文件连接，再扩展到完整项目。
版本之外，参考剪接图和局部选择集合也需要一致。一个连接的分母依赖它所在的局部集合，新增或删去候选分支后，即使某条连接的原始支持没变，相对比例仍可能变化。
怎样把结果整理成可验证的候选
建议每条候选至少保留局部事件身份、具体连接、组别方向、变化幅度、不确定性描述和逐样本支持。需要汇总到基因时，另建对应关系，保持原始局部证据可回查。
选择验证对象时，先判断问题是某个连接的使用变化，还是某种完整异构体的变化。前者与局部证据更直接对应，后者通常还需要更多结构信息。实验验证的目标应当与计算证据描述的对象一致。
MAJIQ 的优势是能够组织较复杂的局部剪接选择，并通过分布表达不确定性。它的局限也来自局部视角和输入证据，不能自动恢复全部远距离结构关系，也不能让低覆盖、混杂或不一致的图构建变得可靠。
运行并核对原创练习
脚本只依赖 Python 标准库，输出四份人工概率分布的均值、阈值概率和方向概率，还保存连接错位检查及样本均值中位数例子。它不读取 MAJIQ 软件数据，也不使用其推断代码。
python3 154-majiq/run.py results/majiq-review
概率练习的核心运算很短，但必须知道输入质量来自人工构造，而不是经过拟合得到。
points = [(0.25, 0.2), (0.30, 0.6), (0.35, 0.2)]
assert abs(sum(weight for value, weight in points) - 1) < 1e-10
mean_change = sum(value * weight for value, weight in points)
prob_large = sum(weight for value, weight in points if abs(value) > 0.2)
prob_positive = sum(weight for value, weight in points if value > 0)
下载本组三篇的练习、实跑脚本与核验结果。先检查两份均值相同的分布为何得到不同阈值概率，再检查绝对变化与方向的区别，最后复核错位相减为什么仍能满足零和约束。这三步足以避免不少常见的读表错误。
如果后续需要持续维护剪接分析环境与多批次结果，可了解云生信生物分析服务器服务，统一记录软件版本、输入来源和候选证据。
