生信论文返修实战20讲 · 第06讲 · 核查统计与验证

系列目录:生信论文返修实战20讲(当前第6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
- 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(本篇)
- 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。
审稿人要求校正混杂,先看信息是否允许
返修意见里出现“请校正年龄和批次”时,很多作者会直接往公式里增加变量。但变量有没有记录、两组是否有重叠、缺失是否集中在某一组,决定了这个模型是否具有可解释性。本篇用真实资料缺失审计和明确标注的设计模拟,说明什么时候可以调整,什么时候必须承认现有数据不能解决问题。
教学审稿意见:患者与对照可能存在年龄或技术批次差异,请进行适当调整,并说明剩余混杂对结论的影响。
在GSE87466的公开样本注释中,患者有年龄信息,对照年龄缺失。这个缺失模式不是随机散落的几个空格,而是与分组相联系。直接进行完整病例分析,会使对照组消失。此时软件可能报错,也可能在其他写法下计算出一个不再对应疾病比较的结果,不能把“代码运行成功”当作分析目标仍然成立。
先画缺失图,再考虑建模
检查每个协变量在各组的可用数量,比先看整体缺失比例更重要。整体看只有一部分样本缺失,分组后却可能发现某组完全没有信息。对于分类变量,还需要检查每个水平是否在各组出现;对于连续变量,应看范围是否重叠,而不是只比较平均值。
公开资料中的字段也需要核实含义。取样日期、测序日期和提交日期不是同一件事;样本编号的前缀不一定表示批次;疾病范围只对患者有意义,不能随意给对照赋一个虚构水平。把没有定义的变量塞进模型,只会增加形式上的复杂度,不会增加真实信息。
本篇导出真实年龄缺失情况,并以患者内部资料说明可分析范围。患者内部的年龄关联可以作为描述性观察,但它不能替代患者与对照之间的年龄调整。两者的目标参数不同,不能在回复信里互相替换。即使患者内部没有明显关联,也不能据此证明组间差异不受年龄影响。
| 资料状态 | 可考虑的处理 | 必须保留的限制 |
|---|---|---|
| 两组均有可靠记录且有重叠 | 依据设计加入协变量 | 模型形式与剩余混杂 |
| 少量分散缺失 | 评估缺失机制与适当方法 | 完整病例或插补的假设 |
| 某组整列缺失 | 寻找原始补充资料或收窄问题 | 不能凭空完成组间调整 |
| 批次与分组完全重合 | 寻找跨批次重叠或新设计 | 无法从当前数据分离两者 |

什么是完全混杂
想象所有患者在批次甲测量,所有对照在批次乙测量。任何表达差异都同时对应疾病与批次,现有资料无法判断各自贡献多少。给模型同时加入两个变量,并不会产生新的对照信息;设计矩阵可能出现线性依赖,参数不能独立估计。
本篇创建一个明确标注的人工设计,比较完全重合与交叉分布两种情况,并检查矩阵秩。这个模拟只解释可识别性,不冒充真实研究的批次信息。交叉设计中,每种分组都出现在多个批次,才提供分离两种来源所需的比较机会;即便如此,样本数和其他假设仍然重要。
批次校正软件也不能自动解决完全混杂。若去掉的方向同时承载疾病信号,可能把真实差异一并移除;若保留分组,又可能留下无法区分的技术部分。返修时应先展示设计结构,再说明为什么某种调整可行。不能仅凭校正后PCA图混合得更漂亮,就声称技术影响已被消除。

缺失值不是随便填一个平均数
用患者平均年龄填满所有对照,会人为制造没有依据的信息,并低估不确定性。复杂插补也依赖可用变量、缺失机制和模型假设;当某一组关键变量完全未观测时,结论可能高度依赖无法验证的外推。本例不对这种缺失进行伪造式补齐,也不把插补当作必选步骤。
如果能够联系原研究作者、获取受控数据或查到补充资料,应记录来源与允许使用的范围。若仍无法获得,就明确保留缺口。必要时改变研究定位,从“独立于年龄的疾病效应”收窄为“当前公开资料中的未调整分组关联”。这种修改会降低结论强度,但提高证据与措辞的一致性。
协变量也不能越多越好
在样本有限时增加很多变量,可能使估计不稳定。更关键的是变量在研究问题中的角色:它是混杂因素、中介、结果之后的变量,还是由选择过程产生的变量?不加思考地全部调整,可能改变目标效应或引入新的偏差。应根据设计和领域知识说明纳入理由,而不是只依据单因素概率值筛选。
本教程不为具体疾病画出未经论证的因果结构,也不把某个临床指标统一定义成混杂因素。读者需要与研究团队确认时间顺序和实际测量过程。返修回复可以说明目前能够调整的变量及理由,同时承认未测量因素仍然存在,避免使用“排除了所有混杂”这样的绝对表达。
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/06.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(6);m<-read_m("validation");x<-read_x("validation")
# 对照年龄缺失,完整病例法不能估计调整后的疾病组效应
missing<-aggregate(is.na(m$age),list(group=m$group),mean);names(missing)[2]<-"age_missing";tab(missing,paste0(o,"/age_audit.csv"))
cc<-complete.cases(m[,c("group","age")]);tab(data.frame(group=levels(m$group),before=as.integer(table(m$group)),complete=as.integer(table(m$group[cc]))),paste0(o,"/complete_case_counts.csv"))
# 批次示例为人工设计矩阵,不是给真实样本编造批次
toy<-expand.grid(group=c("Control","UC"),replicate=1:6);toy$batch<-toy$group;bad<-model.matrix(~group+batch,toy)
toy$batch<-rep(c("A","B"),each=6);good<-model.matrix(~group+batch,toy)
tab(data.frame(design=c("Confounded teaching design","Crossed teaching design"),columns=c(ncol(bad),ncol(good)),rank=c(qr(bad)$rank,qr(good)$rank)),paste0(o,"/design_rank.csv"))
fig(paste0(o,"/fig1.png"),barplot(missing$age_missing,names.arg=missing$group,col=cols[1:2],ylim=c(0,1),ylab="Age missing fraction",main="Observed metadata limitation"))
fig(paste0(o,"/fig2.png"),barplot(rbind(columns=c(ncol(bad),ncol(good)),rank=c(qr(bad)$rank,qr(good)$rank)),beside=TRUE,names.arg=c("Confounded","Crossed"),col=c("#A7BAC5","#277D9D"),legend.text=TRUE,ylab="Design dimensions",main="Teaching design: identifiability matters"))
fig(paste0(o,"/fig3.png"),flow(c("Inspect group-by-batch coverage","Check missingness within each group","Fit only identifiable models","State remaining confounding in the revision"),"Adjustment needs information"))
代码一部分读取真实注释,一部分创建教学设计。输出时分开保存,让读者能够辨认事实与演示。运行后先核对年龄缺失表,再查看两种设计的秩。若把模拟表拿来解释自己的研究,应重新填入实际设计,而不能沿用这里的人造批次标签。

修改稿应该怎样承认无法调整
教学原稿:“多因素分析排除了年龄对疾病差异的影响。”在当前资料下,这句话没有支持。修改稿:“公开对照资料缺少年龄,因此未实施疾病组比较的年龄调整;结果解释为未调整的分组关联,年龄及其他未测量因素可能影响观察到的差异。”
这并不意味着分析没有任何价值,而是明确价值所在。另一研究中相似方向可以提供可重复性线索,却不自动消除两项研究共有的偏差。多队列结果相同和混杂已解决是两个不同判断,应该分别报告。独立研究也需要检查样本来源与临床构成。
中文回复示例:“我们按分组审计了临床字段,发现对照年龄全部缺失,因此无法支持可靠的疾病效应年龄调整。我们没有用推测值补齐该字段,已将结论收窄为未调整关联,并说明剩余混杂。批次完全混杂的示例仅用于教学,不是本数据的实际批次记录。”
英文示例:“The public control metadata do not contain age, so an age-adjusted disease contrast is not supported by these inputs. We did not impute unobserved control ages without adequate information. The interpretation is restricted to an unadjusted association, with residual confounding acknowledged.”
遇到审稿人坚持要求调整怎么办
先用可核查的字段表解释限制,而不是简单说“数据库没有”。说明已经查阅哪些公开记录、缺失涉及哪些组、为什么常见处理不能回答原问题。若可以补充更合适的研究,应评估组织、分组和测量是否匹配;若不能,应提出具体的结论收窄方案供编辑判断。
不要通过删除一个组、改变研究对象或改写变量含义来制造“已完成调整”的外观。这样的结果即使能得到系数,也不再回答审稿人原来的问题。保留数据能够回答与不能回答的界限,是返修中的实质工作。下一篇将在固定主分析基础上改变合理假设,检查结论是否依赖某个阈值或少量样本。
实操练习:给每个协变量写一张资格卡
从审稿人提出的变量开始,记录它的定义、测量时间、可用组别、缺失数量和在研究问题中的可能角色。年龄通常容易理解,但药物使用可能发生在疾病之后,某些实验指标也可能是疾病过程的结果。资格卡的目的不是自动决定调不调整,而是让团队在建模前讨论目标与假设,避免把所有可获得字段都放入同一公式。
然后按分组画出可用范围。连续变量看重叠,分类变量看交叉表;如果某种治疗只出现在患者中,就不能像普通两组共有变量那样轻松解释其调整。缺失与结构性不适用也要分开:对照没有疾病分期,并不等于分期记录遗漏。把“不适用”编码成零可能给模型引入错误的量化含义。
针对年龄资料,先检查原始注释而不是自己加工后的表,确认空值不是读取错误或字段名称变化造成。若确实没有,记录核查范围。可以查询公开补充资料,但不要根据样本名称、疾病描述或其他间接信息猜测具体年龄。任何后来获得的真实字段都应标注来源与更新时间,再评估是否适合纳入。
针对批次,列出已知实验流程中的实际批次信息,区分测量批次、中心与提交日期。若只有未知来源的编号前缀,先询问或查阅资料,不能自动认定为批次。用错误批次变量校正,可能移除真实结构或制造难以解释的结果,而图上分布混合并不能证明这种处理正确。
接着尝试用语言描述调整后的问题。例如“在记录年龄相同的条件下比较两组表达”,与“患者内部年龄与表达的关系”显然不同。如果完整病例筛选后只剩一个组,原问题已经无法估计。这时应停止报告疾病调整效应,转而说明限制,而不是继续寻找一个能够返回数字的公式。
最后把可行与不可行分析分别列出。可行项应有模型、输入与假设,不可行项应有信息缺口及结论影响。回复信可以据此提供清晰判断,让审稿人看到没有实施某项调整的具体原因。资料限制不会因为写得委婉而消失,但准确解释它能够防止读者误以为作者忽略了问题。
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05讲:差异分析被质疑:模型、方向和多重检验逐项核查。
下一篇第07讲:换个阈值还成立吗?做有边界的敏感性分析。
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。
