国自然生信实战20讲 · 第02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2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
- 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(本篇)
- 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。
找到数据集和选对数据集是两件事
在GEO检索疾病名称,常常会返回大量结果。有些研究采集外周血,有些采集黏膜;有些比较活动期与缓解期,有些比较治疗前后。它们都与同一种疾病有关,却未必回答同一个问题。如果只凭标题中出现“溃疡性结肠炎”就下载分析,后面的差异可能反映组织位置、治疗状态甚至实验平台,而不是你真正想讨论的生物学变化。
承接第01篇,我们的主问题限定为活动期患者结肠黏膜与结肠对照之间的表达变化。这个限定直接决定了纳入标准:人类样本、结肠组织、能够识别疾病及活动状态、存在可比较的对照、能够获得表达数据和样本注释。规则应该在观察差异结果之前写下,不能因为某批样本让候选基因不显著,就临时把它们排除。
先看系列,再看平台,最后逐个核对样本
GEO中的系列编号以GSE开头,帮助我们定位一个研究;平台编号以GPL开头,说明测量平台;样本编号以GSM开头,对应具体样本记录。三个层级承担不同作用。系列摘要通常告诉你研究的大方向,平台记录用于理解探针和基因映射,而样本记录才是疾病、部位、处理等字段的重要来源。只读系列标题,信息远远不够。
下载时应同时保存表达文件和原始注释。我们本次使用两个系列的处理后矩阵以及相应的平台注释,并在下载记录中保存来源地址、文件大小和校验值。校验值不能证明数据本身正确,但能证明之后讨论的结果对应哪一份文件。当数据库注释更新或文件被重新下载时,它能帮助判断差异从哪里开始出现。
用真实数据看一次纳入过程
GSE75214的实际矩阵包含194个样本,其中结肠样本116个,回肠样本78个。我们先限制组织位置,再在结肠样本中保留活动期溃疡性结肠炎和对照,最终得到85个样本:患者74个、对照11个。其余样本没有被判定为“质量差”,只是没有进入当前这一个主比较。将来换一个问题,它们可能仍然有研究价值。

这里最容易犯的错误是把所有对照放在一起。发现队列中既有结肠对照也有回肠对照,如果患者全部来自结肠,而对照混入回肠,观察到的差异可能受到组织本身表达特征的影响。更多对照并不必然意味着更好的设计。我们宁愿保留较少但可比的样本,也不会通过混入不同组织来人为增加样本量。

| 必查项目 | 本系列如何处理 | 信息缺失时怎么办 |
|---|---|---|
| 物种与取材位置 | 人类、结肠黏膜 | 不能仅根据疾病名称猜测 |
| 疾病与活动状态 | 发现集限定活动期患者 | 查样本注释及原始论文 |
| 治疗或其他暴露 | 保留已公开字段,记录不足 | 收窄解释,不补造资料 |
| 个体重复与配对 | 核查样本和受试者标识 | 未核实前不声称独立患者数 |
| 测量尺度 | 使用已处理芯片表达值 | 先查处理说明再选模型 |
| 验证独立性 | 比对研究来源及公开标识 | 不能只因GSE编号不同就确认 |
独立验证队列要在筛结果前安排
GSE87466提供87例患者和21例对照的结肠黏膜表达资料,用作本系列的外部验证。我们先安排它承担验证角色,再固定发现队列中的候选筛选规则,随后查看验证结果。这样的顺序能减少反复更换验证集、直到找到理想结果的空间。若某个候选验证不成功,我们会记录失败或不一致,而不是悄悄换一组数据。
不同编号不能单独证明受试者没有重叠。实际工作中还应比较研究机构、招募信息、样本名称、受试者编号、平台和原始论文的数据来源说明。本系列在现有公开资料范围内进行核查,并把无法完全解决的身份信息限制保留下来。验证一词指分析设计中的角色,不意味着所有临床差异和潜在重叠都已被无限精确地排除。

将筛选标准写进代码
本篇代码从原始样本清单重新计算纳入条件,并输出每个样本是否进入分析的标记。建议先读逻辑条件,再运行。组织位置和疾病条件之间使用“并且”,而“对照”与“活动期患者”之间使用“或者”。括号位置改变,纳入结果也可能改变。对于初学者,先打印各字段的取值,再写筛选表达式,比直接复制一段复杂代码更可靠。
从检索记录到可复核的样本账本
实际检索时,建议记录检索词、检索日期、候选系列编号和排除理由。检索词可以组合疾病、组织和测量类型,但不要把候选基因名称作为唯一入口,否则容易只找到已经围绕该基因展开的研究,形成选择偏差。先按研究问题寻找合适人群,再在其中检验候选,通常更符合独立验证的目标。
候选系列较多时,可以先做一轮粗筛:物种不符、组织不符、没有对照或数据不可获得的条目暂不进入主分析。第二轮再核对详细样本字段、处理方式、重复测量和原始论文。粗筛不是最终质量评价,也不能因为某研究结果不符合自己的方向而排除。每一次排除都应能在不查看目标基因结果时给出理由。
在本案例中,原始系列的描述与实际矩阵共同帮助我们识别结肠、回肠和疾病活动状态。读者可以打开discovery_all_samples.csv,先分别统计组织和疾病,再交叉统计。交叉表会告诉你某些组合是否根本不存在。若某组只出现在一个组织位置,不能靠后续把组织放进模型就自动修复不可比的问题。
还要注意“样本”与“受试者”的区别。一个GSM通常对应提交样本,但同一受试者可能贡献多个部位、时间点或技术重复。正式研究应建立受试者和样本之间的映射,再决定分析单位。如果公开信息不足,应保守使用样本数量描述,明确独立性尚需核实,而不是在摘要里把所有记录都称为独立患者。
完成练习后,尝试只凭账本说明为什么最终是85个发现样本,而不是194个。能够清楚解释这一步,比记住下载按钮的位置更重要。以后换成任何疾病或平台,都可以沿用相同的筛选逻辑:先确定谁有资格回答问题,再决定用什么方法分析。
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。本篇读取原始注释整理表及两队列样本表;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/02.R
脚本会把本篇表格和三张图写入results/02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(2);a<-read.csv("data/discovery_all_samples.csv");b<-read_meta("validation")
keep<-a$tissue=="colon" & (a$disease=="control" | (a$disease=="ulcerative colitis" & a$disease_activity=="active"))
a$included<-keep;save_table(a,paste0(o,"/eligibility.csv"))
fig(paste0(o,"/fig1.png"),barplot(table(a$tissue),col=c("#199C97","#A9BBC3"),ylab="Samples",main="Do not mix colon and ileum"))
fig(paste0(o,"/fig2.png"),barplot(c(All=nrow(a),Colon=sum(a$tissue=="colon"),Eligible=sum(keep)),col="#199C97",ylab="Samples",main="Eligibility audit"))
fig(paste0(o,"/fig3.png"),barplot(rbind(Discovery=table(read_meta("discovery")$group),Validation=table(b$group)),beside=TRUE,col=c("#199C97","#E78C49"),legend.text=TRUE,ylab="Samples",main="Two studies, analyzed separately"))
运行后打开eligibility.csv,随机检查几行被纳入和被排除的样本。特别检查边界情况:结肠但非活动期的患者、回肠对照、结肠中的另一类疾病。三类情况的处理应该与预先写下的规则一致。图中样本数只是汇总,逐行清单才是能够解释筛选过程的依据。若某个字段后来被更正,应重新生成清单及后续分析,而不是只改图上的数字。
不要为了“整合”而提前合并矩阵
两项研究的平台不同,探针设计与动态范围也不同。我们的第一步是分别整理、分别建模,再在共同基因层面比较效应方向和不确定性。若把研究和疾病分组混在一起,技术批次与生物学问题可能无法区分。一个批次校正函数并不能自动创造原本缺失的对照结构,也不能替代对研究设计的理解。
单细胞数据的选择还需要额外检查取样范围。GSE116222主要覆盖结肠上皮细胞,因此适合补充上皮来源的表达证据。它不适合单独回答免疫细胞比例是否下降,也不能用于估计完整结肠组织中所有细胞类型的真实占比。后面的单细胞教程会在这一范围内展开,避免把数据没有采到的部分解释为生物学上不存在。
本篇的交付是数据来源清单、纳入规则和样本审计表。把这三样准备好,再进入下一篇的矩阵整理,能够大幅减少“代码跑通了,但分组从一开始就错了”的问题。
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。
承接第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。
下一篇第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。
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。
