生信论文返修实战20讲 · 第02讲 · 建立返修起点

系列目录:生信论文返修实战20讲(当前第2讲)
- 第01讲:收到返修意见后怎么办?把审稿问题拆成可执行任务
- 第02讲:返修前先冻结分析:输入、版本与结果怎样重放(本篇)
- 第03讲:样本量为什么对不上?核查纳入、排除与重复测量
- 第04讲:样本太少怎样回应?报告效应、区间与真实限制
- 第05讲:差异分析被质疑:模型、方向和多重检验逐项核查
- 第06讲:要求校正年龄和批次?先判断资料是否支持
- 第07讲:换个阈值还成立吗?做有边界的敏感性分析
- 第08讲:独立验证不一致怎么办?保留全部候选与证据
- 第09讲:富集结果怎样返修?检查背景、方向和贡献成员
- 第10讲:单细胞显著性可靠吗?先认清细胞、文库与供体
- 第11讲:细胞注释与比例被质疑:标记依据和分母怎样交代
- 第12讲:拟时序和通讯怎样改写?避免把推断写成机制
- 第13讲:模型性能过高先查什么?用随机标签识别数据泄漏
- 第14讲:只有ROC不够:校准、误差与简单基线一起评价
- 第15讲:生存分析怎样返修?事件、截点与模型假设核查
- 第16讲:审稿人要求补实验:公共数据能支持到哪一层
- 第17讲:图形与图注怎样修改?展示样本、效应与不确定性
- 第18讲:方法写到哪里才够?参数、版本与数据代码可用性
- 第19讲:逐条回复怎么写?把动作、证据和修改位置对应起来
- 第20讲:提交返修前最后一查:正文、回复与附件保持一致
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。
返修前先留住原来的分析现场
返修时最危险的情况之一,是新图已经生成,原来使用的输入、参数和软件版本却找不到了。此时即使新结果看起来合理,也很难解释变化究竟来自样本修正、模型调整还是环境升级。本篇承接任务拆解,先建立一个能够重放的起点,再讨论怎样有意识地修改分析。
教学审稿意见:请提供能够复现主要结果的分析流程,并说明修订后的数值为何与原稿不同。
这里的“原稿”是教学情景。我们没有替某个真实投稿恢复历史环境,也没有把现在生成的结果冒充过去的结果。实操使用当前保存的GSE75214整理矩阵,在同一环境中独立拟合两次模型,比较输出是否一致。这个练习说明怎样做重放检查,同时明确它与恢复真实历史版本的区别。
冻结什么,才能知道后来改了什么
至少需要保存输入数据、样本注释、脚本、参数和运行环境。表达矩阵与样本表必须成对保存,因为矩阵本身不包含完整的纳入规则。文件名写成“最终版”没有提供版本信息;更可靠的做法是使用日期或版本号,并附文件大小与摘要。摘要可以帮助发现内容变化,但不能证明数据本身正确。
脚本里写死的阈值也是参数。随机种子、参考数据库版本、注释映射规则、对比方向以及过滤规则都可能影响结果。对于依赖外部服务的分析,还应记录查询日期和实际获取的返回文件。仅保存一个网页链接,不能保证半年后重新访问时得到相同内容。
本篇生成输入清单,记录文件名、字节数和MD5,用于本地一致性检查。下载交付包另外记录SHA256,用于核查传输文件。两者都不是研究真实性认证;如果开始保存的就是错误矩阵,摘要只会稳定地标识这份错误矩阵。科学核查仍然需要阅读来源和样本说明。
| 对象 | 应保留的内容 | 只保留什么还不够 |
|---|---|---|
| 表达输入 | 矩阵、尺度、来源、整理规则 | 一个热图截图 |
| 样本资料 | 标识、分组、去留、缺失字段 | 只有组别数量 |
| 分析过程 | 完整脚本与实际参数 | 交互窗口里的最后一行 |
| 运行环境 | R与包版本、日志 | “使用最新版软件” |
| 结果 | 完整表、图源数据、关键对象 | 只保存显著结果 |

重放应从最接近结果的一步开始
如果全部流程耗时很长,可以先从整理输入重跑主要模型,再逐步向前检查原始数据处理。这样能尽快判断核心统计结果是否稳定,但要在报告中说明重放起点。本系列提供整理输入和原始下载整理脚本,当前二十篇运行验证从整理输入开始,不将它描述为每次都重新下载了全部原始文件。
本例的表达数据已经是处理后的对数尺度芯片值,不能因为重新运行就再次取对数。脚本读取矩阵和分组,用相同公式拟合两次,按基因标识合并结果,检查效应差值。按标识合并十分重要:若仅比较第几行,结果表排序稍有变化就可能制造虚假的不一致。
本次比较针对同一环境、同一输入和同一确定性模型。差值接近零表示这个计算步骤能够重放;它并不能说明样本选择正确,也不能说明模型已经控制全部混杂因素。复现性解决的是“同样的步骤能否得到同样的输出”,科学有效性还需要后续章节逐项审查。

结果不一样时,按层次找原因
先比文件摘要,再比样本数量与顺序,之后检查基因集合、参数和软件环境。这个顺序能够把最直接的输入问题排在前面。例如发现分析从八十五个样本变成八十四个,首先应解释少了哪个样本,而不是立即讨论浮点误差。若样本相同但基因数变化,应回查注释和过滤,而不是只看最终候选是否还显著。
对随机方法,还要区分重复运行波动与方法变化。固定种子有助于教学重放,但不能保证不同线程、不同底层数学库或不同版本一定逐位相同。对于结果允许微小数值误差的情况,应预先设定合理容差,并说明比较的是数值、排序还是科学判断。不能在看到差异后不断放宽容差,直到检查通过。
若历史版本已经缺失,诚实写明能够恢复哪些部分。可以依据保留的图源数据核对关键数字,也可以重新建立完整流程,但不能声称“所有原始分析均已完全复现”。新流程与旧稿不一致时,应把变化列成表格,说明哪些由错误修正导致、哪些由分析策略调整导致、哪些仍无法确定。
一次修改只改变一个可解释因素
为了理解返修影响,可以先保存原始模型结果,再单独修改样本纳入、协变量或检验规则。若把所有因素一次改完,最终图虽然更新了,却很难说明变化来源。实际工作不必机械地运行所有组合,但应为会影响主结论的修改保留可追踪的前后比较。
例如改变比较方向会使效应符号反转,改变多重检验范围会影响调整后概率,而增加协变量可能同时改变效应和不确定性。这几种变化的科学含义不同,不能用一句“软件更新后数值略有变化”概括。修改记录应包含理由,避免把追求显著性当成看不见的选择标准。
运行方法与交付文件
下载文末完整复现包,先解压并保留目录结构,将R的工作目录切换到workbook目录。输入位于data,公共函数位于scripts/common.R,分篇结果位于results。附件保留前序输出,便于单篇学习;如果改变输入、模型或前序参数,应顺序重跑所有受影响步骤,避免新数据与旧结果混用。
Rscript scripts/02.R
本篇脚本会生成三张图和对应表格。先检查日志是否正常结束,再核对实际输出的样本、字段、尺度与正文,不要仅凭文件存在判断运行成功。环境记录来自实际验证,包版本不是自动锁定;安装时需保持R与依赖相容。完整顺序运行入口和原始公开数据整理方法见包内说明,模拟与公开观测数据分别标注。
下面列出本篇完整R脚本。初学者可先原样运行,再在副本中改变一个参数观察影响。保留原始输入,不通过改组别、补造临床字段或删除不合预期的样本来解决报错。遇到缺少文件,首先检查工作目录和前序依赖;遇到数值差异,先核查版本与输入,再解释科学含义。
source("scripts/common.R")
o<-start(2);files<-list.files("data",full.names=TRUE);files<-files[!file.info(files)$isdir]
# 冻结当前输入;MD5用于识别变化,不代表数据质量认证
manifest<-data.frame(file=basename(files),bytes=file.info(files)$size,md5=unname(tools::md5sum(files)));tab(manifest,paste0(o,"/input_manifest.csv"))
x<-read_x("discovery");m<-read_m("discovery");a<-de(x,m);b<-de(x,m)
z<-merge(a[,c("gene","logFC","P.Value")],b[,c("gene","logFC","P.Value")],by="gene",suffixes=c("_first","_replay"));stopifnot(max(abs(z$logFC_first-z$logFC_replay))<1e-10)
tab(z,paste0(o,"/replay_comparison.csv"));writeLines(capture.output(sessionInfo()),paste0(o,"/sessionInfo.txt"))
fig(paste0(o,"/fig1.png"),plot(z$logFC_first,z$logFC_replay,pch=16,cex=.3,col="#277D9D",xlab="First run log2FC",ylab="Replay log2FC",main="Same inputs, same model"))
fig(paste0(o,"/fig2.png"),barplot(log10(manifest$bytes),names.arg=seq_len(nrow(manifest)),col="#277D9D",xlab="Input file index (see manifest)",ylab="log10 bytes",main="Freeze the input set"))
fig(paste0(o,"/fig3.png"),flow(c("Archive original files","Record code and environment","Replay without methodological changes","Then create a separate revised analysis"),"Reproduction precedes correction"))
运行后打开输入清单和重放比较表,抽查一个固定基因,再检查全部基因的最大差值。只抽查自己关注的候选不够,因为代码错误可能影响其他行。脚本使用断言停止异常流程,防止检查失败后仍继续生成一套看似完整的图。断言是明确的条件检查,不是自动证明整个研究正确。

从“可重复”写到“可交接”
一份可以交接的分析还需要入口说明。读者应知道在哪个目录运行、依赖哪些包、输出写到哪里、上一步结果是否已经附带。相对路径适合打包,但必须保持目录结构。把个人电脑的绝对路径写进脚本,通常会让别人第一步就失败,也可能泄露无关的工作信息。
本系列的公共函数集中放在一个脚本中,分篇脚本负责本篇步骤。完整包保留前序输出,因此可以单独学习某篇;若修改了前面的输入,就必须顺序重跑依赖它的步骤。旧的中间对象不会因为输入文件变化而自动失效,这一点应写进运行说明,防止混用不同版本结果。
教学原稿:“所有分析均使用R完成,结果可重复。”修改稿:“分析使用随附脚本和版本记录执行;输入清单记录文件摘要。对相同整理输入重复拟合主要模型,并按基因标识比较输出。该检查不替代对纳入规则和模型假设的审查。”后者说明实际做了什么,也让读者知道结论边界。
中文回复示例:“我们补充了输入清单、运行入口和软件版本,并在同一环境中重复执行主要模型。两次输出按基因标识比较;本次核查支持该计算步骤的重放一致性。后续样本与统计修正将另行记录,不与这项检查混在一起。”
英文示例:“We added the input manifest, execution instructions, and software versions. The main model was fitted twice using identical processed inputs, and gene-level estimates were compared. This check assesses computational replay; sample eligibility and model validity are examined separately.”
自己动手做一次版本差异演练
复制一份样本表,故意改变某个非关键备注,再重新计算摘要,你会看到文件变化被发现,但主要模型可能不受影响。接着在另一份副本中改变一个分组,观察为什么这种变化必须触发更严格的检查。所有演练都在副本里进行,完成后删除演练输入或明确标注,不能让它混入真实分析。
这个练习帮助区分文件层面的不同与科学层面的不同。两份文件摘要不同,可能只是列顺序或换行变化;两张看起来相同的图,也可能来自不同样本。可靠的版本判断要同时看文件、结构和分析含义。下一篇将把注意力放到样本账目上,检查每个数字究竟由哪些独立观察构成。
实操练习:建立一份真正能比较的修改记录
为当前版本建立只读输入副本,并记录生成时间与用途。另建修改目录,保存新的脚本和输出,不在旧结果上手工覆盖关键表格。目录名不必复杂,但必须让接手者区分原始重放、样本修正和最终结果。如果磁盘空间有限,可以保存关键输入与脚本版本,同时用清单指向可恢复的原始资料,不能仅保留压缩后的图片。
挑一个关键结果建立比较表,列出旧效应、新效应、样本数、模型和变化原因。若旧版没有完整记录,使用“无法核实”而不是填入根据图片估算的精确数字。可以从旧图获得大致线索,但应明确它不是原始统计输出。保持未知信息的状态,能避免后续合作者把推测当作事实继续引用。
对当前重放练习,检查所有基因按标识合并后是否一一对应,再计算效应差值。若存在缺失行,先解释基因集合变化,不要用忽略缺失的平均差掩盖问题。若只有极小数值误差,结合所用算法判断它是否影响排序、阈值分类或主要结论。数值不同与结论不同需要分别记录。
把一次运行的开始、结束、退出状态和主要输出保存在同一记录里。运行中断后,旧图片仍可能留在目录中,所以不能单凭最后修改时间猜测是否完成。必要时让脚本只在全部检查通过后写出完成标记,并把失败日志保留给排查。这样的记录能够帮助团队区分分析故障与科学结果变化。
最后模拟一次交接:关闭当前R会话,从新会话进入说明中的目录,按入口运行本篇。如果依赖了全局环境里某个没有保存的对象,新会话会暴露问题。修复方式应是明确加载或重新生成对象,而不是让对方复制你电脑中的整个工作空间,后者可能带入无关旧变量并掩盖依赖。
代码、数据与继续阅读
下载完整返修复现包:20篇R脚本、整理输入、起始结果、运行说明与版本记录。包含公共观测数据、明确标注的模拟与教学模板;不包含新实施的功能干预实验。解压后先阅读README。
承接第01讲:收到返修意见后怎么办?把审稿问题拆成可执行任务。
下一篇第03讲:样本量为什么对不上?核查纳入、排除与重复测量。
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?
如果你需要把审稿意见转成具体分析任务,可以准备去标识的意见摘要、数据类型、当前脚本和主要证据缺口,沟通适合的核查范围与交付材料。 联系云生信,说明当前研究任务。
