R

生信论文返修实战05/20|差异分析被质疑:模型、方向和多重检验逐项核查

作者:发布于 2026-11-17约 15 分钟阅读
生信论文返修实战第5讲:差异分析被质疑:模型、方向和多重检验逐项核查

生信论文返修实战20讲 · 第05讲 · 核查统计与验证

生信论文返修实战第5讲:差异分析被质疑:模型、方向和多重检验逐项核查
系列目录:生信论文返修实战20讲(当前第5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
  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(本篇)
  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。

差异分析返修,先核查模型再补火山图

差异表达常常是后续富集、候选验证和机制讨论的起点。只要这里的比较方向、分组或检验范围写错,后面的漂亮图形就可能建立在错误解释上。本篇沿用前四篇已经明确的输入与样本范围,从审稿人能够复核的角度整理差异分析,而不是追求更多显著基因。

教学审稿意见:请说明差异分析使用的模型、比较方向和多重检验处理,并解释图中阈值与正文是否一致。

本例使用两个研究各自提交并整理的对数尺度芯片表达,分别建模,不把两平台直接拼接。本篇脚本使用limma,对每个基因拟合分组模型并进行经验贝叶斯处理。它不是原始测序计数分析,也没有使用负二项计数模型;这种区别应在方法里明确,而不能统一写成“对所有表达数据进行标准化差异分析”。

模型公式必须能够翻译成人话

公式中的分组以对照为参考,疾病组系数表示患者减对照。本例只包含分组变量,因此是未加入其他协变量的比较。这个模型可以估计当前样本中的分组表达关联,却不能自动解释为排除了年龄、药物和取样差异。协变量资料不足时,模型简单本身不是需要隐藏的事实。

读者应当能够从方法文字推断代码中的设计矩阵。说明“采用线性模型”还不够,需要交代响应变量的尺度、纳入的解释变量、参考水平以及比较对象。如果存在配对或重复测量,还要说明相关结构怎样处理。本篇没有凭空补入不存在的配对信息,也不把样本编号当作可用的生物学协变量。

经验贝叶斯步骤帮助稳定基因层面的方差估计,但它不会修复错误分组,也不会创造缺失的独立样本。初学者容易把成熟软件等同于自动正确;更可靠的做法是用少数固定基因手动检查分组均值方向,再核对模型系数是否一致。检查方向不等于另做一遍筛选,候选应在核查前固定。

需要说明的要素 本例设置 返修时的核查点
输入尺度 处理后的对数芯片表达 没有重复取对数
模型 表达与疾病分组的线性关系 设计矩阵对应实际样本
比较方向 患者减对照 正负与图例一致
检验范围 本研究实际测试的全部基因 校正发生在筛选之前
展示阈值 概率与效应阈值分别声明 图、表、正文使用相同规则
发现研究火山图,橙色为同时满足BH与效应规则的基因。
图1:发现研究火山图,橙色为同时满足BH与效应规则的基因。

为什么不能只报告原始概率值

一次检查成千上万个基因,与只检查一个预先指定的指标不同。即使每次检验的规则相同,整个筛查中出现偶然小概率值的机会也会增加。本例对实际测试的基因采用BH调整,并保留原始概率、调整后概率、效应与区间。完整表让读者能够理解筛选过程,而不是只看到筛完后的名单。

错误发现率控制并不表示每个被选中的基因都有固定概率是假的,也不保证这一次结果列表中错误比例恰好等于阈值。返修时可以用通俗语言解释控制目标,但不应把统计概念翻译成过度确定的个体判断。模型假设和检验依赖结构仍然会影响解释,调整后概率也不能证明生物学重要性。

先按原始概率挑出一小批,再只在这批里做校正,通常改变了原本的检验家族。如果研究确实有预先定义的少量主要指标,可以说明这一点并单独报告;但不能看完全基因组结果后,把最好的几个重新包装成事先候选。本系列第八篇的固定面板也会明确它是教学面板,而非预注册临床终点。

不同概率与效应规则下的实际通过基因数;数量不代表分析质量。
图2:不同概率与效应规则下的实际通过基因数;数量不代表分析质量。

效应阈值和概率阈值承担不同作用

调整后概率用于描述统计证据,效应阈值用于限定展示或候选筛查的幅度。两者合用时,应解释选择理由,而不是把阈值写成领域普遍认可的真理。相同概率阈值下提高效应门槛,得到的基因数自然可能减少;这不说明分析质量变差,也不说明更严格的列表一定更有生物学价值。

本篇比较原始概率通过、BH调整通过以及同时满足效应条件的数量,帮助理解规则差异。这张数量图是方法演示,不是衡量论文水平的排行榜。若返修改变阈值,需要同步更新热图、富集输入和候选描述,不能只让火山图采用新规则,补充表却保留旧名单。

代码中的区间是模型系数的名义区间,多重检验调整另行保存。若效应图显示区间而颜色表示调整后概率,应在图注中分别说明。不要让读者以为所有颜色与区间都基于同一套同时推断标准。必要时可以减少图中的编码种类,让每种颜色和线条只承担一个明确含义。

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/05.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(5)
# 芯片处理值使用线性模型,不强转成原始测序计数
for(name in c("discovery","validation")){x<-read_x(name);m<-read_m(name);d<-de(x,m);tab(d,paste0(o,"/",name,"_de.csv"))}
d<-load_de();hit<-d$adj.P.Val<.05&abs(d$logFC)>=1
tab(data.frame(rule=c("Raw P < .05","BH FDR < .05","BH and effect size"),genes=c(sum(d$P.Value<.05),sum(d$adj.P.Val<.05),sum(hit))),paste0(o,"/selection_rules.csv"))
fig(paste0(o,"/fig1.png"),{plot(d$logFC,-log10(pmax(d$adj.P.Val,1e-100)),pch=16,cex=.4,col=ifelse(hit,"#DF8A49","#A7BAC5"),xlab="UC minus Control log2FC",ylab="-log10 BH FDR",main="Revised display: effect and multiplicity");abline(v=c(-1,1),h=-log10(.05),lty=2)})
fig(paste0(o,"/fig2.png"),barplot(c(sum(d$P.Value<.05),sum(d$adj.P.Val<.05),sum(hit)),names.arg=c("Raw P","BH FDR","BH + effect"),col=c("#A7BAC5","#277D9D","#DF8A49"),ylab="Genes",main="Different rules give different lists"))
fig(paste0(o,"/fig3.png"),flow(c("Check measurement scale","Confirm reference group and design","Define the testing family","Save complete results and update claims"),"A model change requires a manuscript change"))

运行后先打开两个完整差异表,核对基因标识唯一性、列名和比较方向,再看筛选数量图。候选REG1A的正效应可以与原始分组分布交叉检查。这个步骤用于发现符号与数据对应错误,不用于在看到结果后更换参考组,使图形看起来更符合预期。

差异分析中模型、方向和检验家族的核查流程。
图3:差异分析中模型、方向和检验家族的核查流程。

如何回应“换个方法结果是否一样”

方法之间的比较需要先确认它们是否适合当前数据。对已经处理的芯片矩阵套用原始计数模型,不会因为工具流行就变得合理。若增加另一种适用方法,应比较效应方向、排序和不确定性,并报告分歧,而不是只取两种方法共同显著的部分就声称获得绝对可靠的名单。

交集也有代价:它可能减少假阳性,也可能丢失真实但精度不足的信号。究竟采用哪种主分析,应由研究问题、数据类型和方法假设决定。返修过程中可以补充合理核查,但应清楚区分预先主分析与后来增加的探索性分析,不把所有选择写成一条从未变化的流程。

教学原稿:“筛选显著差异基因,阈值为小于零点零五。”修改稿:“在各研究内对处理后的对数表达拟合分组模型,比较方向为患者减对照;对实际测试基因的概率值采用BH调整,完整结果报告效应、名义区间和调整后概率。候选展示另使用明确的效应幅度规则。”

中文回复示例:“我们补充了模型公式、参考组和检验家族,重新生成完整差异表,并将图注中的阈值与脚本统一。当前模型仅包含分组,未声称调整缺失的临床协变量。富集和验证使用的输入均指向同一版结果。”

英文示例:“We clarified the model, reference group, and testing family. The contrast is UC minus Control, and BH adjustment is applied across the tested genes within each study. Full estimates are provided. The model does not claim adjustment for unavailable clinical covariates.”

给自己的结果表做一次反向检查

挑选一个上调、一个下调和一个接近零的基因,分别查看分组分布和模型结果。核对符号、尺度与标签后,再随机检查其他基因,避免只验证熟悉的对象。若发现问题,先修正共同输入或公式,随后重建全部依赖结果;不要手工改几行表格来维持旧图。

最后检查文字是否从“差异表达”跳到了“致病作用”。模型解决的是当前比较中的表达关联,机制需要更多证据。下一篇将讨论审稿人最常追问的混杂问题:公开资料缺失时究竟可以调整什么,什么时候再复杂的模型也不能回答原问题。

实操练习:手工核查三个基因的方向与规则

先从完整差异表选择一个正效应、一个负效应和一个接近零的基因,选择规则写在核查记录中。对每个基因分别计算两组平均对数表达,并与模型系数方向对照。本例只有分组项,比较较直接;若你的模型有协变量,原始均值差不一定等于调整后效应,此时应检查设计矩阵和对比定义,而不是强求两者相等。

接着核对原始概率与调整后概率的列名。很多表格在复制到绘图软件后丢失了清晰列名,导致颜色使用原始概率、正文却写错误发现率。把绘图数据导出,确认每个颜色或形状来自哪一列。若有自定义筛选表达式,检查括号和逻辑关系,尤其是同时满足与满足其一的区别。

再核查完整检验家族。本例发现研究与验证研究分别调整,因为各自承担不同分析。若你在同一资料中检查多个分组、时间点或终点,需要说明这些检验如何组织,不能默认每张图单独校正就解决了整个研究的选择问题。统计策略应与事先问题和报告范围对应,必要时寻求适合设计的统计讨论。

把同一个候选在主表、补充表、火山图和回复信中的值列在一起。允许为了阅读四舍五入,但小数位规则应一致,不能让一个位置显示零、另一个位置显示极小概率而没有解释。非常小的值可以使用科学计数法或适当界限表示,不应写成事件绝不可能发生。

若发现一个错误,先判断它发生在计算、导出还是文字层。计算错误需要重跑依赖步骤;导出错误可能需要重新生成图表;文字错误需要同步修改所有引用位置。不要把不同层面的修正都概括为“笔误”,因为这会妨碍审稿人判断对结论的影响。

最后写一段能够不看代码也理解的模型说明,再让同事根据说明画出分组和比较方向。如果对方画出的方向与你代码相反,说明文字仍不清楚。方法透明不是写满函数名,而是让另一个人理解目标比较、输入尺度和判断规则,并能用随附代码核对实现。

这个练习完成后,再进入富集或候选筛查。下游结果应引用经过核查的完整表,而不是临时复制的显著名单。若必须导出子表,保留来源版本与筛选规则,让每个候选都能追溯回全体测试结果。这样返修修改某个阈值时,就可以系统更新,而不会留下无法解释的旧名单。

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04讲:样本太少怎样回应?报告效应、区间与真实限制。

下一篇第06讲:要求校正年龄和批次?先判断资料是否支持。

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 ↗