很多生信服务案例喜欢展示几十张图、十几个分析模块，再配上一串软件名称。看起来很丰富，但客户真正想知道的问题往往没有得到回答：
你们到底解决过什么问题？我的项目也卡在这里，你们能不能帮我做出一个明确判断？
漂亮图可以说明做过分析，却不能单独证明问题已经解决。对一个已有数据、已有基础结果的项目来说，更重要的是：原来卡在哪里，分析路线为什么要改，补上了什么证据，最后能够判断什么。
下面整理四类我们在项目中反复处理过的典型问题。为保护客户隐私，案例已经删除单位、疾病名称、基因名称、样本量和具体数值，只保留分析决策与证据结构。案例不用于承诺相同结果，也不代表一定能够获得阳性结论。
案例一：单细胞做完聚类，还是不知道该研究哪类细胞
| 客户原来卡在哪里 | 单细胞质控、降维、聚类和大类注释已经完成，也得到了多个细胞类型。但每类细胞都有差异基因和富集结果，客户无法判断哪一类才与研究表型真正相关。单看细胞比例，结论也不稳定。 |
|---|---|
| 我们改变了什么分析路线 | 停止继续给所有细胞类型平均增加分析模块，先围绕研究表型筛选优先细胞谱系，再对目标谱系重新分群。把路线调整为“关键亚群定位—细胞状态变化—上游调控—对其他细胞的影响”。 |
| 增加了什么证据 | 补充按样本比较的亚群丰度、亚群特异标志、通路活性、状态转换以及配体—受体关系，并检查这些信号是否在不同样本和可用外部数据中保持一致。 |
| 最后解决了什么判断 | 不再笼统地说“某大类细胞发生变化”，而是确定其中一个功能状态明确的亚群更值得优先研究，同时明确后续实验应验证细胞状态和通讯关系，而不是只验证细胞比例。 |
这个案例解决的不是“再画一张 UMAP”，而是决定后续机制应该从哪类细胞开始。
案例二：差异分析、WGCNA 和机器学习都做了，关键基因却各不相同
| 客户原来卡在哪里 | 差异分析得到一批基因，WGCNA 得到另一批模块，LASSO、随机森林等算法又筛出不同特征。为了寻找“共同基因”，不断增加取交集和算法投票，但候选越来越少，生物学解释也越来越弱。 |
|---|---|
| 我们改变了什么分析路线 | 不再把“被最多算法选中”当作唯一标准，而是先明确需要解释的表型和核心生物过程。以表型相关模块为起点，用外部队列稳定性、通路关联和细胞来源逐层缩小候选范围。 |
| 增加了什么证据 | 补充独立队列中的方向一致性、候选基因与通路活性的关联、临床或表型分层，以及候选信号在具体细胞类型中的定位。机器学习结果被放回整条证据链中解释，而不是独立成为结论。 |
| 最后解决了什么判断 | 区分出可以进入文章主线的稳定候选与只能作为探索结果的候选，并说明为什么保留前者、舍弃后者。客户由此能够确定重点验证对象，而不是继续叠加筛选算法。 |
这个案例解决的不是“用了多少种算法”，而是哪些候选真正值得进入文章和实验。
案例三：转录组和单细胞都有结果，但两部分像两篇文章
| 客户原来卡在哪里 | 批量转录组已经完成差异、富集和临床关联；单细胞也完成了细胞注释和亚群分析。但两套结果使用不同的基因、不同的图和不同的结论，无法说明队列层面的信号究竟来自哪类细胞。 |
|---|---|
| 我们改变了什么分析路线 | 不再分别扩展两个数据集，而是先寻找能够连接二者的共同表型、基因集或通路。通过细胞类型映射、伪批量分析和细胞状态评分，把队列信号定位到具体细胞环境中。 |
| 增加了什么证据 | 补充批量队列中的稳定差异与临床关联、单细胞中的细胞类型定位和状态变化，并进一步检查目标细胞与周围细胞的通讯关系。必要时再加入外部队列进行方向验证。 |
| 最后解决了什么判断 | 能够说明宏观队列信号主要由哪类细胞贡献、该细胞处于什么状态，以及它可能如何影响下游微环境。转录组和单细胞不再是并排展示，而是组成同一条证据链。 |
这个案例解决的不是“把两种组学放在一起”，而是解释两种数据为什么支持同一个结论。
案例四：模型在训练集表现很好，却不知道能不能支撑文章结论
| 客户原来卡在哪里 | 模型在训练数据中的 AUC 较高，也比较了多种算法，但换一个数据集后表现下降。文章准备把它描述为诊断或预后工具，客户却无法判断证据是否足以支持这一表述。 |
|---|---|
| 我们改变了什么分析路线 | 将重点从“哪个算法分数最高”调整为“模型是否能够泛化并产生实际决策价值”。重新检查数据划分、变量泄漏、过拟合风险和结局定义，再确定模型应承担预测、分层还是机制提示的角色。 |
| 增加了什么证据 | 补充独立验证、交叉验证稳定性、校准分析、决策曲线和关键亚组表现，同时检查核心特征是否具有一致的生物学方向。无法获得外部验证时，明确降低结论强度。 |
| 最后解决了什么判断 | 明确模型可以支持的是风险分层，而不是直接宣称临床诊断；同时指出哪些特征可以进入机制讨论，哪些只能作为预测变量。客户因此避免了把训练集高分误写成临床价值。 |
这个案例解决的不是“把 AUC 再提高一点”，而是模型到底能够支持什么层级的结论。
案例真正应该证明什么？
一个可信的服务案例，不应只证明团队会使用某个软件或能画某类图，而应证明三种能力：
- 能够识别真正的断点：判断项目缺的是数据、方法、证据还是叙事，而不是默认继续加模块；
- 能够调整分析路线：让方法服务于研究问题，而不是让客户围绕现成方法修改问题；
- 能够控制结论边界：既指出证据可以支持什么，也明确哪些判断暂时不能成立。
有时最有价值的结果并不是找到一个新的“阳性机制”，而是及时发现某条路线证据不足，帮助客户把时间和实验经费转向更值得验证的问题。
如果你的项目也卡住了，首轮不必提交全部原始数据
已有基础结果的项目，可以先提供以下信息：
- 一句话说明研究问题；
- 两到五张最关键的现有结果图；
- 数据类型、样本设计和基本分组；
- 目前最难解释或最不敢下结论的地方；
- 希望这一步帮助决定什么。
我们会先判断项目的证据断点在哪里，再建议是补一个小切口验证，还是直接规划完整的定制化分析。只有在明确分析问题后，才需要提交回答该问题所需的最小数据。
如果暂时不确定是否值得启动完整项目，也可以先验证一个细胞亚群、一条机制或一个关键结论。验证范围、交付内容和费用会在开始前确认；认可后转入完整项目，前期小单费用可以抵扣。
也可以先阅读小切口验证的合作方式，或查看云生信定制化分析服务。