R

生信论文返修实战09/20|富集结果怎样返修?检查背景、方向和贡献成员

作者:发布于 2026-11-17约 16 分钟阅读
生信论文返修实战第9讲:富集结果怎样返修?检查背景、方向和贡献成员

生信论文返修实战20讲 · 第09讲 · 明确富集与单细胞边界

生信论文返修实战第9讲:富集结果怎样返修?检查背景、方向和贡献成员
系列目录:生信论文返修实战20讲(当前第9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
  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(本篇)
  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。

富集分析被质疑,不能只换一张气泡图

富集结果常常承担论文中从基因到生物学解释的桥梁作用,也最容易发生过度解读。一个通路名称显著,不代表通路所有成员一致变化,更不代表已经测到了功能活性。本篇承接差异分析与验证,重点核查排序、集合成员、背景范围和解释边界,让返修补充真正回应审稿人的问题。

教学审稿意见:请说明富集分析的基因背景和排序方式,检查通路之间的冗余,并提供支持主要解释的成员证据。

本例使用发现研究完整差异表,以带符号的统计量排序,通过fgsea检查八个事先指定的教学GO集合。它是有限集合的排序富集演示,不是对全部功能数据库进行无遗漏筛查。八个集合涉及炎症、免疫、凋亡、细胞周期、离子转运、黏附、分化和细胞间信号,选择范围在代码中固定。

先分清使用的是哪一种富集

过度富集通常从一个选中的基因列表出发,比较其在某个集合中的比例与背景;排序富集使用更完整的排序信息,检查集合成员是否偏向排序两端。两类方法的问题和输入不同。不能正文写排序富集,实际却只把显著基因送入工具;也不能把所有结果统一称为通路激活。

本篇的排序来自患者减对照的统计量,正端与负端因此有明确方向。若改用绝对值排序,就丢失方向信息,解释也必须改变。一个集合的正NES表示其成员相对偏向排序正端,不意味着每个成员都上调,更不表示已经直接测量了信号通路活性。

背景在排序分析中体现为实际进入排序的基因范围。基因映射失败、重复标识和过滤都会改变这个范围。代码将注释集合与本次实际测试基因取交集,保留具体成员。不能把数据库中的所有人类基因默认当作当前平台都能够测量的对象,也不能把未检测到的基因当作不变化。

需要核查的项目 本篇实现 解释时的限制
排序量 带方向的模型统计量 方向取决于比较定义
测试范围 八个固定教学集合 不代表全数据库发现
基因宇宙 实际分析基因与注释的交集 受平台和映射限制
多重检验 本次测试集合范围内调整 不能泛化为全库校正
成员证据 保留集合与主要贡献成员 名称本身不是机制证明
八个固定GO集合的排序富集NES;不是完整数据库筛查。
图1:八个固定GO集合的排序富集NES;不是完整数据库筛查。

通路名字不同,可能仍然由同一批基因推动

GO具有层级和重叠,一个基因可以出现在多个集合中。炎症和免疫相关条目同时出现,并不意味着获得了两份完全独立的证据。本篇计算集合之间的Jaccard重叠,展示名称不同但共享成员的情况。这个图帮助整理叙述,避免把相近条目逐条堆成更强的证据链。

重叠程度也不能单独决定是否删除条目。两个集合可能共享一部分成员,却对应不同层次的生物学问题。可以围绕研究主线选择代表性主题,同时在补充表保留完整结果与选择理由。不要为了图形整洁,手动删除与预期不一致的条目,又不向读者说明。

本例使用GOALL映射,意味着集合成员包含注释层级传播的结果。包版本与实际成员文件随复现包保存。数据库会变化,因此只写“使用GO数据库”不够;未来重新分析时,成员变化可能影响结果。保留本次实际集合比单独记录访问日期更有助于解释差异。

集合成员Jaccard重叠;多个名称可能共享基因证据。
图2:集合成员Jaccard重叠;多个名称可能共享基因证据。

看贡献成员,而不是只看显著性排名

排序富集曲线显示集合成员在全排序中的位置。需要检查推动曲线的成员是否与论文中的生物学解释一致,是否主要来自某类细胞的标记,是否少数高效应基因占据主要贡献。若组织细胞构成发生变化,免疫相关集合升高可能反映更多免疫细胞,也可能反映细胞内部状态变化;整体组织数据不能自动分开这两种解释。

主要贡献成员也不是经过独立验证的关键调控基因。它们由当前排序和集合共同产生,如果再用同一数据证明它们最重要,会形成循环论证。可以把这些成员作为后续检查的线索,但需要在其他资料、细胞定位或实验读数中继续检验。

本篇设置了最小概率精度界限。当结果达到计算下限时,不应将显示的数值解释为精确概率,更不能写成概率为零。对于极强信号,排名、方向和成员解释通常比再追求几个小数位更有用。代码保留完整统计输出,读者可以核查哪些值受到计算设定限制。

炎症集合的排序富集曲线,需结合具体贡献成员解释。
图3:炎症集合的排序富集曲线,需结合具体贡献成员解释。

怎样把“激活”改成准确表达

教学原稿:“富集分析证明炎症通路被激活,并导致上皮损伤。”当前数据并没有直接测量通路活性或因果方向。修改稿:“炎症相关集合偏向患者较高表达的排序端,提示组织层面的炎症相关转录特征;其细胞来源与功能影响仍需进一步检验。”

如果研究确实包含蛋白磷酸化、干预或功能读数,可以把不同层级证据放在一起讨论,但应分别说明来源。转录富集与功能实验的一致性可以增强解释,却不意味着所有通路成员都被验证。返修时将每个动词对应到具体测量,是避免过度叙述的实用方法。

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/09.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(9);d<-load_de();ids<-c("GO:0006954","GO:0006955","GO:0006915","GO:0007049","GO:0006811","GO:0007155","GO:0030154","GO:0007267");labels<-c("Inflammation","Immune response","Apoptosis","Cell cycle","Ion transport","Adhesion","Differentiation","Cell-cell signaling")
# 限定八个教学集合;背景为本次实际测试基因
map<-AnnotationDbi::select(org.Hs.eg.db::org.Hs.eg.db,keys=ids,keytype="GOALL",columns="SYMBOL");sets<-lapply(ids,function(id)intersect(unique(na.omit(map$SYMBOL[map$GOALL==id])),d$gene));names(sets)<-labels
tab(data.frame(term=rep(labels,lengths(sets)),gene=unlist(sets,use.names=FALSE)),paste0(o,"/gene_sets.csv"));saveRDS(sets,paste0(o,"/sets.rds"))
ranks<-sort(setNames(d$t,d$gene),decreasing=TRUE);fg<-fgsea::fgseaMultilevel(sets,ranks,minSize=10,maxSize=5000,nproc=1,eps=1e-6);fg$leadingEdge<-vapply(fg$leadingEdge,paste,collapse=";",FUN.VALUE="");tab(as.data.frame(fg),paste0(o,"/enrichment.csv"))
overlap<-outer(seq_along(sets),seq_along(sets),Vectorize(function(i,j)length(intersect(sets[[i]],sets[[j]]))/length(union(sets[[i]],sets[[j]]))));dimnames(overlap)<-list(labels,labels)
fig(paste0(o,"/fig1.png"),{par(mar=c(5,11,3,2));barplot(fg$NES,names.arg=fg$pathway,horiz=TRUE,col=ifelse(fg$NES>0,"#DF8A49","#277D9D"),cex.names=.75,xlab="NES",main="Direction needs ranked evidence")})
fig(paste0(o,"/fig2.png"),heatmap(overlap,Rowv=NA,Colv=NA,scale="none",margins=c(10,11),col=colorRampPalette(c("white","#277D9D"))(30),cexRow=.7,cexCol=.7,main="GO sets share genes"))
fig(paste0(o,"/fig3.png"),print(fgsea::plotEnrichment(sets[[1]],ranks)+ggplot2::labs(title="Check the members behind the label")))

运行代码后,先检查排序向量是否有重复基因与非有限值,再查看集合大小和交集。随后选择一个正向、一个负向或较弱的结果,阅读主要贡献成员。不要只打开第一名。对自己研究中的关键通路,还应核实名称与成员定义是否对应所讨论的生物学过程。

回复信里交代哪些信息

中文回复示例:“我们补充了排序统计量、实际测试基因范围和GO注释版本,并提供八个教学集合的成员及完整富集表。新增重叠图帮助解释条目冗余。讨论中的‘通路激活导致损伤’已改为转录特征描述,不将排序富集作为功能因果证据。”

英文示例:“We specified the ranking statistic, tested gene universe, and annotation version, and provide the gene sets and full enrichment results. Overlap between sets is shown. The interpretation describes transcriptional patterns rather than claiming functional activation or causality.”

真实返修还应给出修改位置和补充表编号。若分析范围从全库改为有限集合,或从有限集合扩展到全库,需要说明原因与检验家族变化。不能把后来挑选的主题写成预先假设,也不能只在图注里隐藏范围限制。

做一次成员级复核

从论文最重要的通路中抽取几个贡献成员,检查表达方向、注释依据和细胞来源。若成员大多是某类细胞标记,讨论中就应考虑组成解释。若成员方向混杂,应避免把整个集合写成一致上调。若主要贡献来自少数候选,应评估这些候选是否在独立研究中得到支持。

这个过程不会自动给出最终机制,却能把宽泛名称转成具体问题。下一篇进入单细胞返修,首先处理分析单位:为什么成千上万个细胞仍不能直接当作成千上万个独立患者,以及如何让图中的显著性与真实研究设计一致。

实操练习:从一个通路名称追到具体成员

选择正文最重要的一个集合,先查它的正式标识和实际成员文件。名称相似不保证定义相同,数据库版本变化也可能改变成员。把本次与测试基因取交集后的数量记录下来,区分原始集合大小与实际参与分析大小,避免图注使用错误分母。

随后查看排序两端与主要贡献成员。挑选几个代表性基因,回到完整差异表核对方向和效应。如果成员主要是细胞身份标记,思考组织组成是否提供另一种解释;如果成员包含正负调控因子,也不要把表达方向简单翻译成整个过程加强。集合名称往往比真实成员关系更粗,需要进一步阅读。

将该集合与最相近的两个集合比较,列出共享和独有成员。共享很多成员时,可以在正文合并为一个主题讨论,同时保留完整统计表;独有成员若对应不同过程,则需要分别解释。这个步骤帮助减少冗余陈述,但不应变成按故事需要随意删除条目的理由。

检查排序统计量有没有取绝对值、是否存在重复标识、缺失或极端异常。若使用重复探针,需要说明如何汇总到基因,不能让某些基因因为探针多而在排序中重复出现。若更换映射规则,应重新生成集合交集与全部结果,而不是只手工修正一个通路的成员名单。

再检查概率精度与多重检验范围。本例只有八个固定集合,调整值只对应这次范围;不能与全库筛查的调整值不加说明地比较。达到设定精度下限的结果应按界限理解,不应把它们之间微小显示差异用于排列机制重要性。重要性判断还需要效应、成员与研究问题。

最后写两句话:第一句只描述实际排序结果,第二句说明它提出什么可检验假说。若第二句包含因果动词,列出仍需要的独立证据。这样的写作练习能让富集从一个“机制盖章工具”变成具体问题的来源,也使后续细胞定位和实验任务更容易安排。

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08讲:独立验证不一致怎么办?保留全部候选与证据。

下一篇第10讲:单细胞显著性可靠吗?先认清细胞、文库与供体。

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 ↗