R

生信论文返修实战03/20|样本量为什么对不上?核查纳入、排除与重复测量

作者:发布于 2026-11-17约 15 分钟阅读
生信论文返修实战第3讲:样本量为什么对不上?核查纳入、排除与重复测量

生信论文返修实战20讲 · 第03讲 · 建立返修起点

生信论文返修实战第3讲:样本量为什么对不上?核查纳入、排除与重复测量
系列目录:生信论文返修实战20讲(当前第3讲)
  1. 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
  2. 第02讲:返修前先冻结分析:输入、版本与结果怎样重放
  3. 第03讲:样本量为什么对不上?核查纳入、排除与重复测量(本篇)
  4. 第04讲:样本太少怎样回应?报告效应、区间与真实限制
  5. 第05讲:差异分析被质疑:模型、方向和多重检验逐项核查
  6. 第06讲:要求校正年龄和批次?先判断资料是否支持
  7. 第07讲:换个阈值还成立吗?做有边界的敏感性分析
  8. 第08讲:独立验证不一致怎么办?保留全部候选与证据
  9. 第09讲:富集结果怎样返修?检查背景、方向和贡献成员
  10. 第10讲:单细胞显著性可靠吗?先认清细胞、文库与供体
  11. 第11讲:细胞注释与比例被质疑:标记依据和分母怎样交代
  12. 第12讲:拟时序和通讯怎样改写?避免把推断写成机制
  13. 第13讲:模型性能过高先查什么?用随机标签识别数据泄漏
  14. 第14讲:只有ROC不够:校准、误差与简单基线一起评价
  15. 第15讲:生存分析怎样返修?事件、截点与模型假设核查
  16. 第16讲:审稿人要求补实验:公共数据能支持到哪一层
  17. 第17讲:图形与图注怎样修改?展示样本、效应与不确定性
  18. 第18讲:方法写到哪里才够?参数、版本与数据代码可用性
  19. 第19讲:逐条回复怎么写?把动作、证据和修改位置对应起来
  20. 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。

返修里最值得先查的一张表:样本到底有多少

摘要写八十五例,方法写八十四例,图注却写七十四例,这类问题常常不是排版疏忽那么简单。不同数字可能分别代表全部样本、患者、完整协变量样本或某个亚组。没有统一口径,审稿人无法判断分析对象是否在不同章节之间悄悄变化。本篇把样本数量从一个数字还原为一份可追踪的名单。

教学审稿意见:请明确样本纳入与排除标准,说明各项分析的实际样本量,并检查是否存在重复样本或同一受试者的多次测量。

本系列发现资料GSE75214的公开矩阵包含一百九十四个提交样本,其中既有结肠也有回肠。教学主分析按组织和疾病活动状态选择七十四个活动期溃疡性结肠炎样本与十一个结肠对照。这个筛选定义了具体问题,不能把全部一百九十四个样本都写成同一个疾病比较的有效样本量。

先区分四种数量

第一种是数据库提交样本数,第二种是符合纳入条件的样本数,第三种是某项分析实际使用的样本数,第四种是独立受试者数。四者可能相同,也可能差别很大。单细胞研究还会出现细胞数和文库数;把细胞数量写进患者样本量位置,会严重夸大证据规模。

例如同一患者在两个时间点取样,矩阵中可能有两列,但它们不应自动被当作两个相互独立的人。重复测量也不应简单删除,因为配对结构可能正是研究设计的一部分。正确处理依赖研究问题和模型;第一步是识别并记录这种结构,而不是为了得到整齐表格擅自合并。

公开资料有时无法完全核实供体关系。此时应区分“样本标识没有重复”与“独立个体已经确认”。脚本检查唯一标识,只能证明当前表中没有重复编号,不能证明所有样本来自不同的人。这个限制在单细胞章节会再次出现,因为文库名称并不总能直接解释为供体身份。

计数口径 本例如何报告 容易产生的误解
原始提交 发现矩阵一百九十四个样本 全部都进入主比较
主分析 七十四个患者与十一个对照 七十四就是总样本量
验证分析 另一研究八十七个患者与二十一个对照 两研究可直接相加建模
独立性 依据可核实的设计说明范围 唯一编号等于独立受试者
原始发现资料按主要排除原因汇总,所有去留均有记录。
图1:原始发现资料按主要排除原因汇总,所有去留均有记录。

每个排除都应有可解释原因

建立一张包含全部原始样本的表,为每行写明组织、分组、是否纳入以及原因。对于同时不满足多个条件的样本,可以规定优先记录顺序,同时保留原始字段。不要让排除理由只存在于研究者记忆中,否则换一个人整理时很容易得到不同数量。

本篇筛选围绕结肠活动期患者与结肠对照展开。排除回肠样本是为了保持组织问题一致,不是因为回肠结果不显著。排除其他状态也应在看到目标基因结果之前形成清晰规则。若返修确实改变了原纳入标准,要说明改变原因及对主要结果的影响,不能伪装成从一开始就这样设计。

不要把“图上离群”直接作为排除依据。样本可能存在技术问题,也可能反映真实生物差异。应结合原始质量指标、测序或芯片记录、样本来源和预先标准核查。若没有充分证据排除,可保留主分析并做有说明的敏感性比较,避免把不符合预期的样本简单移走。

表格与矩阵必须按标识对齐

一个很隐蔽的错误是样本表按姓名或编号排序后,表达矩阵没有同步排序。行数与列数仍然相等,代码也可能正常完成,但分组已经配错。正确做法是用样本标识匹配,检查集合相同,再检查排列完全一致,最后才进入建模。

脚本特意打乱一份样本顺序,再用标识恢复对应关系。这个操作属于教学演示,原始输入不被修改。检查中既要确认没有重复标识,也要确认没有只存在于一侧的样本。不能仅用取交集的方式静默丢弃差异,因为交集变小可能掩盖前期数据整理错误。

按纳入规则得到的患者与对照数量。
图2:按纳入规则得到的患者与对照数量。

不同分析为何会有不同的样本量

如果增加年龄、分期或随访信息,部分样本可能因为缺失而没有进入模型。此时图注中的数量必须对应实际分析集。不能沿用全文开头的总样本量,也不能只写“缺失值已删除”而不报告各组损失数量。分组之间缺失比例明显不同,还会影响结果的适用范围。

本系列验证资料中,对照年龄缺失,因此不能简单删除缺失后继续做疾病效应的年龄调整。删除后如果只剩患者,原来的两组比较已经不存在。这个例子说明,样本流不仅是排版材料,也是判断目标分析是否仍可实施的工具。第六篇会进一步展示这种信息缺口怎样影响模型解释。

若一个样本用于多项分析,建议保留不同的分析标记列,例如主比较、协变量模型和敏感性情景。这样能清楚说明每个结果对应谁,而不是到处复制样本表形成多个难以同步的版本。正式数据中还应谨慎处理身份信息,交付时使用适当的研究编号和去标识资料。

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/03.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(3);a<-read.csv("data/discovery_all_samples.csv");m<-read_m("discovery");x<-read_x("discovery")
# 样本与矩阵必须按唯一标识对应;不靠行号猜测
stopifnot(!anyDuplicated(m$sample),identical(m$sample,colnames(x)))
a$include<-a$tissue=="colon" & (a$disease=="control" | (a$disease=="ulcerative colitis"&a$disease_activity=="active"))
a$reason<-ifelse(a$tissue!="colon","Different tissue",ifelse(a$include,"Included","Other disease/activity"));tab(a,paste0(o,"/sample_flow.csv"))
shuffled<-m[sample(nrow(m)),];aligned<-shuffled[match(colnames(x),shuffled$sample),];stopifnot(identical(aligned$sample,colnames(x)))
fig(paste0(o,"/fig1.png"),barplot(table(a$reason),col=c("#A7BAC5","#277D9D","#DF8A49"),cex.names=.8,ylab="Submitted samples",main="Every exclusion has a documented reason"))
fig(paste0(o,"/fig2.png"),barplot(table(m$group),col=cols[1:2],ylab="Analyzed samples",main="Final discovery comparison"))
fig(paste0(o,"/fig3.png"),flow(c("Submitted records: 194","Colon records: 116","Eligible active UC or control: 85","UC: 74 / Control: 11"),"The count depends on the question"))

本篇输出纳入排除表、数量图以及样本对齐检查。运行后先从排除表随机抽几行,回到公开注释检查原因是否合理;再核对主分析矩阵列数与样本表行数。自动断言能捕捉结构错误,人工回查则帮助判断字段解释是否正确,两者承担不同任务。

从194个提交样本到85个符合教学条件样本的数量流程。
图3:从194个提交样本到85个符合教学条件样本的数量流程。

把样本说明写成可复核的文字

教学原稿:“从数据库下载患者和正常样本进行分析。”修改稿:“发现分析从公开提交资料中选取结肠活动期患者七十四个样本与结肠对照十一个样本;组织与状态筛选规则及逐样本去留见附表。表达列与分组按样本标识匹配,并检查重复和缺失标识。”这段话提供了范围、规则和检查方式。

如果独立受试者关系没有完整确认,不应补写“共纳入八十五名独立受试者”。样本和受试者是不同概念,必要时沿用“样本”并在限制中说明公开资料能支持的层级。术语上的克制比一个看起来更完整、实则无依据的数字更有价值。

中文回复示例:“我们补充了逐样本纳入排除表,并统一发现分析的样本口径为七十四个患者样本与十一个对照样本。矩阵与注释已按标识匹配。唯一标识检查不被用于推断未核实的受试者独立性;相关限制已保留。”

英文示例:“We added a sample-level eligibility table and aligned the expression matrix with metadata using sample identifiers. The discovery analysis contains 74 UC samples and 11 controls. Identifier uniqueness is not taken as proof of donor independence where the public metadata are insufficient.”

返修时如何处理发现的计数错误

若只是正文抄写错了,而分析输入和结果一直正确,应明确说明更正范围,并检查摘要、流程图、图注和补充表是否同步。若分析实际遗漏或多纳入了样本,就必须重新运行受影响步骤,并报告关键结论是否变化。两种情况不能使用相同的模糊说法,否则读者无法评估影响。

对于重复记录,应先核实究竟是同一样本重复导出、技术重复还是生物学重复。重复导出可在保留审计记录后纠正;技术重复怎样处理取决于测量过程;同一人的不同时间点需要考虑相关结构。不要只按表达相似度删除其中一个,因为高度相似也可能来自真实同类样本。

最后做一次反向核查:从每张主图的实际输入名单出发,追溯到纳入排除表,而不是只从总表向下推测。这样更容易发现某张图偷偷用了旧版本样本。下一篇将讨论样本数已经明确、但规模有限时,如何用效应与区间回应审稿人的疑问,而不是把不显著简单解释为“没有差异”。

实操练习:从一张图反查全部样本

选择论文中最重要的一张比较图,导出实际绘图数据,保留样本标识而不仅是组均值。将这些标识与主分析名单对照,分别列出图中多出的、缺少的和重复的记录。即使最终差异列表为空,也应保存检查过程,因为它说明图确实来自当前版本,而不是仅仅看起来与正文一致。

再按分组和组织统计人数,核对图注。若图使用某个子集,明确子集条件及其建立时间。比如只显示有完整临床字段的记录,就应让读者知道为什么该图的样本数少于主表达分析。不要为了统一数量而把缺失记录填入虚构值,也不要把所有图注都改成总样本数来掩盖差异。

对于同一人多次采样的研究,建立受试者与样本的对应列,再观察每人贡献多少记录。若对应信息缺失,写清能够确认的层级,并尝试从原始补充资料核实。不能通过样本名称相似就认定配对,也不能因为名称不同就认定独立。这个判断直接影响模型,而不只是表格格式。

排除理由最好能够被另一位研究者复核。把“质量差”细化为实际指标和规则,把“不符合要求”细化为组织、时间点或疾病定义。若规则在返修中新增,应保留原规则和新增原因,必要时比较两种分析。这样审稿人可以判断修改是否为纠正设计问题,而非选择性删除不利结果。

完成后从流程图反向加总:原始数量减去各项排除,是否等于最终纳入;各组数量之和是否等于模型输入;不同分析子集是否各自有说明。注意排除原因若重叠,不能简单相加,否则会重复计数。可以设置互斥的主要排除原因,同时另列所有不满足条件,兼顾清晰与完整。

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02讲:返修前先冻结分析:输入、版本与结果怎样重放。

下一篇第04讲:样本太少怎样回应?报告效应、区间与真实限制。

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。

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 ↗