国自然生信实战20讲 · 第20讲 · 转成可检验的研究设计

系列目录:国自然生信实战20讲(当前第20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
- 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(本篇)
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。
一套分析能交给别人重做,才真正成为可使用的材料
经过前19篇,我们已经完成从问题定义、数据筛选到候选验证、细胞定位和实验规划的完整练习。最后一步不是再增加一种分析,而是让每个结论都能追溯到输入、代码和输出。若只留下几张图片,几周后很难确认使用了哪个样本版本、阈值是什么、某次结果为什么改变。可复现材料能把这些问题提前解决。
本篇把整个系列组织成统一目录,并生成输出清单、软件版本记录和技术路线。它不意味着任何环境都能毫无差异地运行,也不表示我们已经复现了原始研究全部结论。本系列实际验证的是附件内整理输入到本教程结果的流程;原始下载、整理规则和已知限制也单独提供,便于读者检查边界。
文件结构应该让人看得懂
data目录保存分析所需的整理输入,scripts目录包含20篇脚本和公共函数,results目录按篇次保存图表,logs目录保存运行记录。run_all.R按顺序执行全部章节。每篇文章还给出自己依赖的前序结果,因此读者可以使用随包提供的起始文件学习某一篇,不必每次从网络下载开始。
原始下载文件与整理后的教学输入不是同一层级。前者保留数据库提供的内容,后者经过本系列明确记录的筛选和汇总。整理脚本说明如何从前者得到后者,文件校验值帮助识别版本。正式研究可以按需要重新取得原始资料,但不能在更换输入后仍然沿用旧图而不重新核查。
做一次真正的交接演练
找一个没有参与脚本编写的人,只给他下载包和说明,让他在合适环境里找到第09篇的输入、运行命令和验证表。观察他是否需要猜测目录、是否知道哪些结果是起始文件、是否能区分教学输出与原始资料。交接中暴露的困惑,就是说明文档需要补充的地方。
遇到报错时,先确认工作目录,再检查文件是否完整,然后检查包版本与输入对象。不要在不知道原因时随意删除警告或修改数据让程序继续。保存完整错误信息及触发步骤,通常比只说“运行不了”更有助于定位。修复后应重新检查受影响的后续结果,避免只更新最后一张图。
如果自己修改了候选、阈值或样本集合,另存新版本,并在说明中记录修改目的。保留原例作为对照,有助于判断差异来自哪一步。文件名可以包含版本号,但更重要的是有集中记录;几十个“最终版”并不能构成可靠版本管理。可追溯的变化说明比命名习惯更关键。
复现包不应包含服务器凭据、私人路径依赖或未经授权的个人资料。本系列下载材料围绕公开数据的整理输入、代码和输出组织。迁移到自己的临床项目时,数据共享范围需要另行判断,可以提供去标识示例和结构说明,而不是为了方便复现就公开全部原始信息。
最后,用证据台账检查文章中的每个主要判断是否仍与当前文件一致。代码跑通、图片生成、科学解释合理,是三个相互关联但不能替代的要求。只有把它们一起核对,成果才适合交给合作者继续研究,也更容易在后续审阅和方法讨论中说明来龙去脉。
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。本篇读取前面章节的输出并记录环境;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/20.R
脚本会把本篇表格和三张图写入results/20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(20);files<-list.files("results",recursive=TRUE,full.names=TRUE);files<-files[!grepl("results/20/",files)];files<-files[!file.info(files)$isdir]
ledger<-data.frame(file=files,bytes=file.info(files)$size,md5=unname(tools::md5sum(files)));save_table(ledger,paste0(o,"/output_manifest.csv"))
pk<-c("limma","fgsea","org.Hs.eg.db","AnnotationDbi","uwot","ggplot2");versions<-data.frame(package=pk,version=sapply(pk,function(p)as.character(packageVersion(p))));save_table(versions,paste0(o,"/package_versions.csv"));writeLines(capture.output(sessionInfo()),paste0(o,"/sessionInfo.txt"))
fig(paste0(o,"/fig1.png"),flow(c("01-04: question, eligibility, matrix and QC","05-08: effects, gene sets and candidates","09-12: replication, confounding and sensitivity","13-16: cell states and expression feasibility","17-20: evidence, experiments and reproducibility"),"Complete study route"))
fig(paste0(o,"/fig2.png"),{counts<-table(sub("results/([0-9]+)/.*","\\1",files));barplot(counts,col="#199C97",xlab="Chapter",ylab="Generated files",main="Traceable outputs by chapter")})
fig(paste0(o,"/fig3.png"),flow(c("Can the data answer the question?","Are conclusions stable and externally supported?","What evidence is still missing?","Can another person repeat the documented steps?"),"Four checks before using the evidence"))
| 目录或记录 | 保存什么 | 主要用途 |
|---|---|---|
| data | 整理矩阵与样本表 | 明确每一步实际输入 |
| scripts | 分篇R代码和公共函数 | 重复计算与检查参数 |
| results | 图、表和必要起始对象 | 对照文章与继续分析 |
| logs | 运行信息和警告 | 区分环境问题与数据问题 |
| 版本与清单 | 软件版本、文件大小和校验值 | 识别运行环境及文件变化 |
先复现原例,再替换自己的数据
很多初学者同时更换数据、软件版本、参数和目录,运行失败后无法判断原因。更稳妥的顺序是先按说明运行原例,确认输出结构与参考结果一致,再只改变一个部分。若替换自己的表达矩阵,先检查尺度和样本标识;若替换病种,重新定义纳入标准和主要比较;若使用另一平台,重新处理基因映射。
不要把本系列的74比11、固定候选面板或单细胞标记规则当成通用配置。它们对应当前教学案例。真正可迁移的是问题分解、来源核查、样本对齐、独立验证、证据边界和可追溯流程。把这些原则带到新项目,比复制一套固定阈值更有价值。

软件版本记录为什么重要
本系列在实际可用的R环境中验证脚本,并保存所用包版本。官方文档会持续更新,新的版本可能改变默认参数、接口或数值细节。读者安装时应使用相互兼容的R与Bioconductor组合,并核对版本记录;不要把最新文档中的示例与旧环境混在一起后默认结果完全一致。
随机分析也需要记录种子与关键参数。UMAP的坐标可能随初始化、近邻方法或实现版本变化,但这不必然表示表达矩阵或样本关系错误。判断复现程度应根据任务:数据整理要求精确对应,随机可视化则还需比较结构和参数。不能只凭图片像素不同,就宣布整个分析不可复现,也不能忽略实质性结果差异。
文件校验能做什么,不能做什么
本篇生成文件大小与校验清单,用于识别输出是否发生变化。相同校验值意味着比较的文件内容一致,但不证明模型正确;不同校验值提示文件变化,也不自动说明错误。图像可能因软件元数据或渲染环境改变而不同,数值表则可以进一步比较关键字段。校验是追踪工具,需要与科学检查配合使用。

输出数量图帮助确认各章节是否生成预期文件,但“文件都在”仍不等于分析成功。应抽查关键表的样本数、比较方向和候选数值,检查图是否对应相同版本。若某一步报错,不能因为目录中残留上次成功的图片就认为这次完成;运行日志、时间和输入版本应该一起判断。
把技术路线写成可执行的判断顺序
第一阶段回答数据是否适合问题,第二阶段提出候选,第三阶段检查可靠性,第四阶段补充细胞线索,第五阶段整理证据并规划实验。每个阶段都有自己的停止条件。例如样本注释无法对应时不继续建模,外部证据不稳定时不把候选写成强结论,模型缺少目标表达时不直接扩大干预实验。
这种路线比简单罗列软件更能帮助团队协作。负责样本的人知道要补哪些字段,负责分析的人知道主比较和版本,负责实验的人知道候选为什么被保留以及仍有哪些竞争解释。任务交接时,最好连同证据台账和限制一起交付,而不是只发一张机制示意图。

哪些限制必须随成果一起保留
本系列使用公共数据二次分析,组织关联尚有临床信息限制;单细胞使用平衡抽样的上皮教学子集,标签为规则定义状态,供体配对尚未完整确证;通讯章节仅检查表达可行性;实验章节是计划,样本量章节是教学模拟。把这些限制放在复现包中,是为了防止结果离开文章后被误用或夸大。
同时,使用公共资料仍应遵守原始来源的使用条件、引用要求和所在机构的研究管理规范。图表可以作为方法学习和研究讨论材料,不能把他人的采样、原始实验或本教程生成结果冒充自己已完成的工作。申请材料中的具体表述,应由研究者根据真实工作与当年要求负责核实。
完成系列后,可以独立做哪几件事
你应当能够把一个宽泛方向拆成可分析问题,判断公共数据是否匹配,整理表达和样本注释,解释差异与富集的范围,用独立队列检查候选,识别细胞组成与状态解释,并把缺失证据转为实验任务。不是每一步都需要复杂模型,但每一步都需要明确输入、输出和允许的结论。
最后,请尝试把自己的研究问题填入第01篇的清单,再用第17篇的证据台账检查现有基础,使用第18至19篇的思路安排下一阶段。若某一环节资料不足,就把它写成待解决任务。完整、诚实、可重复的研究过程,才是这套20讲希望帮助读者建立的能力。
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19讲:样本量和验证队列怎么规划?用模拟看清研究可行性。
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?
如果需要把分析结果整理成可复现材料与后续验证任务,可以准备研究目标、已有结果和实验条件概况,沟通具体交付内容。 联系云生信,说明当前研究任务。
