R

国自然生信实战08/20|基因升高说明了什么?区分单个基因变化与功能状态变化

作者:发布于 2026-11-17约 13 分钟阅读
国自然生信实战第8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

国自然生信实战20讲 · 第08讲 · 从数据提出研究线索

国自然生信实战第8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
系列目录:国自然生信实战20讲(当前第8讲)
  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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(本篇)
  9. 第09讲:换一批数据还成立吗?手把手做独立队列验证
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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。

一个基因的升高,能代表一种功能状态吗

第07篇选出了贯穿后续教学的候选REG1A。接下来很自然会问:它的升高是否与炎症相关表达变化一起出现?如果只是把一个基因和一条通路名称放在同一张示意图上,还缺少样本层面的证据。本篇用功能集合评分帮助观察这种共同变化,同时明确评分本身的含义和限制。

评分的基本思路是把一组有来源的基因整合成一个样本层面的数值。它能减少读者面对几十个表达值时的负担,却也会把成员之间的差异压缩掉。高分可能来自多个成员共同升高,也可能被少数强表达变化的成员推动。因此,评分适合提出问题和比较模式,不能自动替代通路活性实验。

本篇采用一个透明的基础评分

我们使用第06篇保存的八个GO集合,先对每个基因在发现队列内进行标准化,再对集合成员取平均,得到每个样本的平均基因标准分。这样不同基因的量级差异不会直接主导平均值,读者也能逐步检查计算过程。代码没有把它命名为某种经过外部验证的临床评分,更不设定用于患者诊断的分界值。

标准分描述的是相对于当前队列的高低。因此,零分不代表没有炎症,负分不代表功能被完全关闭;换一个人群重新标准化,数值的参照也会改变。若希望跨队列比较绝对分数,需要事先规定统一的标准化参数和验证策略,不能分别标准化后直接比较两个队列的平均值大小。

从公式检查评分是否适合当前问题

本篇每个基因先在队列内减去均值、除以标准差,再对集合成员取平均。这个公式使不同基因在数值上获得较接近的权重,但并不保证生物学贡献相同。方差很小或测量不可靠的基因也可能受到标准化影响,所以迁移到其他数据时,需要检查零方差和缺失情况,不能只看最后一个分数。

读者可以随机挑一个样本和三个集合成员,手动计算标准分,再与代码中的对应值比较。这个练习有助于理解分数为什么依赖当前队列。只要队列组成改变,即使某个样本原始表达不变,它的标准分也可能变化。因而不同项目各自计算的零点并不是同一个生物学参照。

接着把患者和对照分别着色,观察散点是否主要形成两团。如果总体相关主要来自两团之间的距离,组内分析通常会给出不同印象。此时准确的描述是两个指标都与组别有关,而不是候选在每一位患者中都随炎症状态同步改变。观察关系的层级必须与结论层级一致。

另一个练习是从集合中移除候选,重新计算一次分数。若候选本来不在集合里,结果应保持一致;若在集合里,则比较去除前后的关联。这个检查不能解决所有共表达依赖,但能排除最直接的自我贡献。对于多个高度相关基因共同组成的面板,还应警惕信息重复。

最后,写下一个独立于表达评分的验证读数。如果研究讨论的是屏障功能,就考虑真正的屏障测量;如果讨论的是细胞增殖,就考虑合适的增殖与活性指标。评分负责帮助提出问题,直接功能测量负责检验关键解释。把两者分工写清,能让后续实验有明确目标。

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。本篇读取第06篇集合及发现表达矩阵;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/08.R

脚本会把本篇表格和三张图写入results/08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(8);x<-read_expr("discovery");m<-read_meta("discovery");sets<-readRDS("results/06/gene_sets.rds")
z<-t(scale(t(x)));score<-sapply(sets,function(s)colMeans(z[intersect(s,rownames(z)),,drop=FALSE],na.rm=TRUE))
save_table(cbind(m,score),paste0(o,"/scores.csv"));lead<-lead_gene();y<-x[lead,]
fig(paste0(o,"/fig1.png"),group_plot(score[,"Inflammatory response"],m,"Within-cohort inflammatory score","Mean gene z score"))
fig(paste0(o,"/fig2.png"),{plot(score[,"Inflammatory response"],y,col=cols[m$group],pch=16,xlab="Inflammatory score",ylab=paste(lead,"log2 expression"),main="Pooled correlation can reflect group separation");legend("bottomright",levels(m$group),col=cols,pch=16)})
fig(paste0(o,"/fig3.png"),{r<-sapply(levels(m$group),function(g)cor(y[m$group==g],score[m$group==g,1],method="spearman"));barplot(r,col=cols,ylim=c(-1,1),ylab="Spearman correlation",main="Inspect within-group associations");abline(h=0)})

怎样看组间评分分布

第一张图展示炎症反应集合在患者与对照中的评分分布。它帮助观察已知功能方向是否与组织比较相符,并提醒我们注意患者内部差异。箱线图仍然是概括,散点才保留各样本的位置。即使两组平均有区别,也可能存在大量重叠,不能据此把每个样本准确归类,更不能宣布这个评分已经可以临床使用。

队列内平均基因标准分;零点不代表生物功能关闭。
图1:队列内平均基因标准分;零点不代表生物功能关闭。

一个特别需要检查的问题是集合覆盖。评分只使用当前平台中实际测得且通过整理的成员,附件保存了成员清单。换数据平台时,可用成员可能变化,这会影响分数。读者应报告集合来源、版本和实际纳入的基因数,而不是只写“计算炎症评分”。如果关键成员缺失很多,原来的生物学解释也要相应收窄。

评分使用场景 可以做什么 需要避免什么
同一队列内部探索 比较样本相对状态 把零分解释为功能关闭
与候选表达作图 观察共同变化模式 直接画成上下游因果关系
跨队列重复分析 检查方向是否相似 直接比较各自标准化的绝对值
后续实验准备 提出需要测量的表型 用表达评分代替功能实验

合并两组后,相关性可能被分组制造

第二张图把REG1A表达与炎症评分放在一起,并用颜色区分患者和对照。假设患者整体在两个指标上都较高,而对照整体较低,即使每组内部两者关系很弱,把两组混在一起仍可能得到明显正相关。这种现象并不意味着计算有错,而是说明这个相关主要描述组间差别,未必支持同组内的生物学耦合。

按分组着色的候选与功能评分散点;总体相关可能由分组推动。
图2:按分组着色的候选与功能评分散点;总体相关可能由分组推动。

因此,我们进一步分别计算对照组和患者组内的Spearman相关。第三张图把两组结果并列展示。这里对照只有11个样本,估计可能不稳定,应结合散点、样本数量和不确定性理解。不能因为某一组相关较高就忽略另一组,也不能在多个相关算法中挑一个最显著的结果当作主证据。

分别在两组内计算的描述性相关;小样本估计存在不确定性。
图3:分别在两组内计算的描述性相关;小样本估计存在不确定性。

还要检查“自己和自己相关”

如果候选基因本身属于被计算的集合,那么候选表达会直接贡献到评分里。此时相关性的一部分来自数学构造,而不仅是生物学联系。实际分析应检查候选是否在成员表中,并根据问题考虑移除该候选及高度重叠的成员后重复计算。移除之后相关变弱,不必急着失望,它提示原来的证据可能没有想象中独立。

本篇提供的是基础流程,读者可以利用保存的集合文件进行这项核查。对于后续要进入申请准备的重点联系,建议把原始评分和移除候选后的结果一并保留,并明确它们回答的问题。透明报告比只展示一张相关性最好看的图更有说服力。表达数据中的多条统计关系,可能实际上共享同一批信息。

均值评分为什么不能替代精细机制

一个宽GO集合中的成员并不都朝同一个方向作用,有的参与促进,有的参与反馈或限制。将它们统一标准化后平均,是一种便于教学的概括,并不编码复杂的激活与抑制关系。如果研究问题需要讨论具体信号支路,应选择有明确方向定义的资源或更直接的功能测量,并验证该方法在当前组织中的适用性。

同样,组织评分还受细胞组成影响。患者组织中某类细胞增多,可能使相关集合整体上升,即使每个细胞内部没有明显变化。第14篇会专门拆解“细胞更多”和“细胞内表达更高”这两种情况。现在不要急着把组织评分直接解释成所有上皮细胞都处于同一种功能状态。

如何把本篇结果接到下一阶段

本篇输出的是每个样本的功能评分表、候选与评分的散点图,以及分组内相关的描述。它们能帮助组织研究问题,却不能取代独立队列验证。下一篇会固定候选列表,在另一项研究中检查表达方向、效应大小与区间。若外部队列没有支持,我们需要回看人群和测量条件,而不是用发现集里的更多相关图覆盖这个缺口。

读者可以在自己的项目里重复三个动作:首先写清评分的定义,其次画出按组着色的散点,最后检查候选是否参与评分构造。完成这三步,通常就能识别很多过度解释。对于国自然研究准备,一条经得起这些检查的有限结论,往往比一长串未经审查的相关关系更能支持后续实验安排。

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。

下一篇第09讲:换一批数据还成立吗?手把手做独立队列验证。

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?

如果已有表达矩阵但不确定如何解释结果,可以准备分组说明、分析版本和关键结果摘要,沟通下一步分析与复核需求。 联系云生信,说明当前研究任务。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗