国自然生信实战20讲 · 第01讲 · 把问题和数据选对

系列目录:国自然生信实战20讲(当前第1讲)
- 第01讲:国自然里的生信从哪里开始?把研究方向拆成可分析的问题(本篇)
- 第02讲:公共数据怎么选?找到与你的研究问题真正匹配的数据集
- 第03讲:下载数据后先做什么?表达矩阵、样本分组和基因编号整理
- 第04讲:为什么有些数据不能直接分析?看懂异常样本与批次效应
- 第05讲:差异表达怎么做才有解释价值?从统计显著到生物学意义
- 第06讲:富集分析结果太多怎么办?从通路列表提炼研究主线
- 第07讲:哪些基因值得继续研究?把表达、功能和文献证据放在一起
- 第08讲:基因升高说明了什么?区分单个基因变化与功能状态变化
- 第09讲:换一批数据还成立吗?手把手做独立队列验证
- 第10讲:差异真的是疾病造成的吗?识别混杂因素与缺失信息
- 第11讲:换个阈值结论就变了?用敏感性分析检查结果稳定性
- 第12讲:两个队列结果不一致怎么办?从差异中发现研究边界
- 第13讲:为什么整体组织的变化还不够?用单细胞定位表达来源
- 第14讲:是细胞变多了,还是细胞内部表达变了?拆解两种解释
- 第15讲:关键细胞发生了什么变化?从细胞类型走向功能状态
- 第16讲:细胞之间可能如何影响彼此?把通讯线索变成可验证的问题
- 第17讲:从一堆图到一个科学假说:整理现有证据与关键缺口
- 第18讲:生信之后做哪些实验?把候选线索拆成逐步验证的任务
- 第19讲:样本量和验证队列怎么规划?用模拟看清研究可行性
- 第20讲:把整个项目串起来:形成可复现分析包和完整技术路线
点击目录按篇次顺序学习;文末复现包包含全系列代码与起始数据。
从“想做生信”走到一个具体问题
准备国自然研究设计时,很多人已经有疾病方向,也掌握一些实验技术,却不知道生信应该放在哪一步。最常见的做法是先下载一个数据集,找差异基因,再从最显著的结果中挑选一个“热门基因”。这条路容易得到很多图,但未必能解释为什么要研究这个基因,更难说明后面的实验究竟验证什么。本系列从相反的顺序开始:先明确一个可以被数据回答的问题,再选择数据和方法。
我们以溃疡性结肠炎的黏膜炎症与上皮屏障变化为贯穿案例。它在这里是学习研究设计的载体,不是已经确定的创新课题。第一层问题是:活动期患者的结肠黏膜中,哪些表达变化值得继续追踪?第二层问题是:这种变化换一组患者是否还存在?第三层问题是:变化可能来自哪些上皮细胞状态?第四层才是:对候选因素进行干预,是否会改变预先定义的屏障功能指标?四层问题需要不同证据,不能由一张差异图全部回答。

把研究对象、比较和结局分别写清楚
一个可执行的问题至少包含三个部分。研究对象规定人群和取材位置,例如活动期患者的结肠黏膜;比较规定参照组,例如非炎症性对照的结肠黏膜;结局规定实际测量的量,例如某基因的平均表达差异。把它们写完整后,“研究炎症机制”可以具体化为“在所选公共队列中,活动期患者与对照的结肠黏膜表达是否不同”。后一句范围小一些,却更容易核验。
这里还要区分研究目标和统计指标。表达差异是我们当前能测到的结果,而屏障损伤可能是未来真正关心的生物学表型。两者并不自动等价。一个基因升高可能促进损伤,也可能参与修复,还可能仅仅因为表达它的细胞增多。若预先把升高解释成致病,后续所有分析都会偏向同一个故事。更有价值的做法是提前记录这些竞争解释,并为每种解释安排能够区分它们的观察或实验。
本系列的数据分工
发现队列采用GSE75214中符合本系列问题的样本。我们只保留结肠组织中的活动期溃疡性结肠炎与结肠对照,得到74例患者样本和11例对照样本。原始系列还包含其他疾病、组织位置和活动状态,因此不能把全部样本直接分成“疾病”和“正常”。本篇图中的数量来自实际下载后的样本注释核对;下一篇会展开筛选过程。
验证队列采用GSE87466,单独分析其中87例患者和21例对照。两个队列来自不同研究与检测平台,不在这里直接拼成一个大矩阵。单细胞部分采用GSE116222的上皮细胞资料,用于观察候选表达分布。由于该资料的取样和处理范围有限,它不能代表完整组织里的全部免疫细胞和间质细胞,更不能据此推断整个微环境没有某种作用。

| 研究任务 | 本阶段输入 | 可以形成的判断 | 暂时不能形成的判断 |
|---|---|---|---|
| 发现表达变化 | 发现队列的表达与分组 | 所选样本中存在某种关联 | 候选基因导致疾病 |
| 检查外部一致性 | 独立研究的相应数据 | 关联在另一环境中是否支持 | 结果适用于所有患者 |
| 定位表达来源 | 上皮细胞表达资料 | 某种细胞状态可能贡献信号 | 已证明细胞间因果作用 |
| 检验功能假说 | 新的干预实验 | 特定条件下的干预效应 | 自动适用于临床治疗 |
用代码把问题变成可检查的研究清单
第01篇脚本不追求复杂模型,而是生成问题与证据类型的对应表,并画出流程和样本分布。运行后,先打开question_map.csv,检查每一行的输入、分析单位和允许的结论是否相互匹配。例如,输入只有组织表达时,把输出写成“因果机制”就是一个应当立即改正的错位。把这种错位发现得越早,后面返工的代价越小。
把自己的课题填进去:一个具体练习
请在纸上分成四列,分别写研究对象、主要比较、可测量结果和希望解释的现象。如果你的研究对象是治疗后的患者,就不能直接用未治疗患者的横断面数据回答疗效问题;如果结果是表达,就不能不经验证地替换成蛋白活性。这个练习看似简单,却能暴露研究问题与可获得数据之间的错位。先改问题或补资料,比后续堆更多分析更有效。
接着给每一列补充排除条件。例如,同一疾病的另一取材位置、不同活动阶段或不同处理条件,什么时候可以放在一起,什么时候必须分开?这些条件不必一次写得很复杂,但要能由样本信息执行。不能只写“纳入高质量数据”,却没有任何判断标准。质量、可比性和是否符合问题,是不同维度,应分别记录。
然后尝试写一个失败情景:如果候选在发现集变化明显、独立队列却没有支持,你打算查什么?如果单细胞资料没有覆盖预想细胞,是否换数据、缩小问题,还是安排定位实验?提前列出这些行动,能避免每一步都被默认必须成功,也让技术路线成为真正可执行的计划。
运行本篇代码时,可以先查看plan对象,再看它如何被写入文件。表格中的每一行都是一个待回答问题,而不是一项软件任务。如果把“运行差异分析”写成科学问题,尝试继续追问:为什么需要比较,哪两组可比,结果将改变哪个研究判断?追问到能够说出具体对象和结局,才算完成本练习。
最后,把你的清单交给一个不参与分析的同事,请他只根据清单复述研究目标。如果对方理解成诊断预测,而你原本想研究损伤机制,说明问题表述还需要修改。这个小型沟通测试比先做几十张图更能检验主线是否清楚,也能为后续与生信分析人员、实验人员的协作节约时间。
运行方法与输出检查
下载文末完整复现包后先解压,将R的工作目录切换到其中的workbook目录,再运行下方命令。不要只复制某一行分析语句,因为公共函数、输入文件和前序结果需要保持同一套目录关系。本篇只读取整理后的发现样本表;附件已包含这些起始文件,因此可以单独学习本篇,也可以按顺序运行全系列。
Rscript scripts/01.R
脚本会把本篇表格和三张图写入results/01目录。运行结束后先检查输出表中的样本标识、列名与正文说明,再打开图片核对坐标和分组。出现报错时保留原始输入,先查工作目录、文件完整性及依赖版本,不要通过改分组或填补不存在的数据来让代码继续。下载包内的版本记录来自实际验证环境,安装时请保持R与Bioconductor依赖相容。
下面提供本篇完整R脚本;它会载入scripts/common.R中的公共函数。共用函数、数据整理代码和逐步日志也包含在复现包中,便于检查每一步的输入与输出。
source("scripts/common.R")
o<-start(1);m<-read_meta("discovery")
plan<-data.frame(question=c("Tissue association","Independent replication","Epithelial localization","Causal test"),input=c("GSE75214","GSE87466","GSE116222","New intervention experiment"),unit=c("Biopsy","Biopsy","Sample summary","Biological replicate"),claim=c("Association","Transportability","Cellular source","Intervention effect"))
save_table(plan,paste0(o,"/question_map.csv"))
fig(paste0(o,"/fig1.png"),flow(plan$question,"Four questions, four evidence levels"))
fig(paste0(o,"/fig2.png"),barplot(table(m$group),col=cols,ylab="Biopsies",main="Discovery subset"))
fig(paste0(o,"/fig3.png"),flow(c("Specify population and tissue","Choose one primary comparison","List alternative explanations","Define an experiment that can refute it"),"Turn a topic into a testable question"))
代码中的分析单位尤其重要。组织队列目前按样本进行比较,单细胞部分会保留文库编号并汇总展示,实验部分则要根据真实设计确定独立生物学重复。一个样本里测到了很多基因,并不会让患者人数增加;同一份活检中获得很多细胞,也不会自动变成很多位患者。即使统计软件能输出极小的P值,错误的分析单位仍然会使结论失去支撑。
给主问题留出被推翻的可能
假设以后我们发现某候选基因在两组组织队列中都升高。一个可检验的假说可以是:它与某类上皮状态的变化有关,并可能参与屏障表型。随后应该列出反证条件,例如单细胞定位不支持预想来源,控制细胞组成后组织关联减弱,或者干预后目标表达下降但屏障读数并未变化。这些结果不是“分析失败”,而是帮助判断最初解释是否成立的信息。
读者可以做一个小练习:把自己的研究方向写成一句具体问题,再写两种与首选机制不同的解释。若想到的备选解释只有“统计不显著”,说明还停留在结果筛选层面。尝试从细胞数量、疾病阶段、取材位置、治疗暴露以及技术测量这几个角度考虑,通常更容易发现真正需要补充的资料。

如何把这些内容用于课题准备
公共数据的价值是缩小不确定性、发现值得验证的线索,并帮助安排后续样本和实验。使用时应写清数据来自公开研究、本次完成了哪些二次分析、哪些限制尚未解决。已有文献中的已知现象可以作为学习和方法验证的锚点,但换一套软件重画图,并不会自然形成创新。真正需要进一步判断的是新问题、新条件或新机制是否获得了额外支持。
本系列提供研究方法与代码教学,不提供直接套用的申请书正文。涉及申报格式和材料要求时,应核对当年的基金委指南与依托单位要求。基金委2026年通知要求核实AI生成信息和参考文献,并禁止直接使用生成式AI生成的申请书;这里的文章、教学图和分析示例也不能冒充申请人本人完成的实验基础。
本篇完成后,你应当得到一份问题清单和一条明确的证据路线,而不只是一个想研究的基因名称。下一篇将沿着这条路线,说明为什么检索到的数据集未必能用,以及怎样留下可追溯的纳入与排除记录。
代码、数据与继续阅读
下载完整复现包:20篇R脚本、整理输入、起始结果、运行说明与版本记录。包含公共数据教学子集;不包含任何实际实验结果。解压后先阅读README。
下一篇第02讲:公共数据怎么选?找到与你的研究问题真正匹配的数据集。
数据与方法来源
数据与方法核查日期:2026年11月16日。本文为教学二次分析;具体适用范围见正文。
需要把方法用到自己的数据中?
如果你还在判断研究问题与公共数据能否匹配,可以准备疾病方向、取材位置和现有资料概况,沟通数据可行性与分析范围。 联系云生信,说明当前研究任务。
