最让人犹豫的科研场景之一，是实验结果和生信分析结果“打架”：
- 生信提示某个基因上调，qPCR 或蛋白实验却没有变化；
- 转录组富集到一条通路，WB、免疫荧光或功能实验没有跟上；
- 生信筛出的候选靶点，在真实样本中方向相反；
- 实验有显著差异，但公共数据库或模型分析没有重复出来。
这时不要急着把其中一套结果判定为“错的”。实验和生信通常观察的是同一个科学问题的不同层面：数据来源、样本组成、检测对象、时间点和统计方法都可能不同。真正需要解决的问题是：冲突发生在哪一层，以及哪一层最接近你的研究假设？
这张图的核心判断是：结果冲突不一定意味着某一套数据“错了”，也可能是两套结果处在不同的样本、检测层级或证据阶段。先定位冲突层级，再决定重分析、补验证还是调整结论边界。
先把“打架”分成四种情况
同样是结果不一致，处理方法可能完全不同：
- 方向冲突：一个结果上调，另一个结果下调；
- 显著性冲突：方向相同，但一套显著、一套不显著；
- 层级冲突：RNA 有变化，蛋白没有变化，或通路富集与功能实验不一致；
- 重复性冲突：自有样本成立，但公开队列或另一批样本无法重复。
先确定是哪一种冲突，再决定查样本、查检测方法、查分析模型还是查生物学时间窗。不要用同一套解释套在所有问题上。
一张表：从冲突现象到下一步动作
| 冲突现象 | 常见原因 | 优先核对的证据 | 建议动作 |
|---|---|---|---|
| RNA 上调，蛋白不变 | 翻译效率、蛋白稳定性、时间点不同；抗体特异性或定量范围不足 | 蛋白检测抗体、曝光线性范围、取样时间、独立蛋白方法 | 先复核抗体与原始条带，再做时间梯度或换用正交验证方法 |
| 生信上调，qPCR 不显著 | 样本批次、基因注释、引物位置、样本量或效应量不足 | 原始 counts、比对区域、引物效率、样本分组和置信区间 | 统一基因 ID 和分组方向，按样本重算效应量，再判断是否需要扩样 |
| 通路富集，功能实验阴性 | 富集是相关线索，不等于通路已被功能激活；干预强度或时间窗不匹配 | 富集背景集、核心 leading-edge 基因、通路活性指标和实验终点 | 从通路核心节点选可测终点，补充剂量/时间设计，避免只验证一个 marker |
| 候选基因在样本中方向相反 | 模型数据与实验样本组织、分期、处理条件不同；细胞比例造成总体信号偏移 | 样本来源、细胞组成、临床协变量、批次和外部队列方向 | 按样本和细胞类型拆分解释，必要时做去卷积或亚组分析 |
| 自有实验阳性，公共数据不重复 | 队列异质性、统计功效不足、平台差异或原始结论过度外推 | 效应量而不只是 P 值、队列纳入标准、平台和批次信息 | 把结论限定在适用人群，增加独立验证或报告异质性，不强行追求方向一致 |
表 1｜实验与生信结果不一致时的优先排查路径。实际顺序应结合研究设计、样本量和检测方法调整。
第一步：核对是不是“同一个问题”
很多冲突其实来自比较对象不一致。比如，生信分析使用的是肿瘤组织总体 RNA，实验验证却只检测了分选后的某一类细胞；生信来自治疗前样本，实验来自治疗后样本；生信关注的是表达变化，实验测的是蛋白活性或细胞功能。
建议先把下面几项写成一张项目对照表：
- 样本来源、组织部位和疾病分期；
- 处理条件、时间点和取样方式；
- 检测对象：RNA、蛋白、磷酸化修饰、细胞比例还是功能终点；
- 比较方向：病例对照、处理对照，还是连续变量相关性；
- 统计单位：样本、细胞、视野，还是技术重复。
如果这些信息没有对齐，就不能直接把“一个上调、一个不显著”写成互相矛盾。先确定两套结果是否在回答同一个问题，往往能排除一半以上的假冲突。
第二步：不要只看 P 值，要同时看效应量
生信结果显著，可能是样本量较大或模型调整后得到的稳定小效应；实验结果不显著，可能是样本量较小、个体差异较大，方向并不一定相反。反过来，实验中观察到的大幅变化也可能来自少数样本，平均效应并不稳定。
每一项验证至少应同时记录：
- 效应量及其置信区间；
- 每个生物学重复的原始点，而不是只展示柱状图；
- 技术重复与生物学重复的数量；
- 缺失值、离群值和排除标准；
- 多重检验或预先设定的主要终点。
如果方向一致但显著性不同，可以先讨论证据强弱和统计功效；只有方向稳定相反时，才需要重点追查样本、方法和生物学机制。
第三步：查检测方法是否真的测到了目标
qPCR 与转录组不一致
先检查基因 ID 是否对应同一个转录本，qPCR 引物是否跨越正确的外显子，扩增效率和熔解曲线是否合格，内参是否在不同组间稳定。转录组中的低表达基因、异构体差异和比对区域，也可能让两种方法对“同一个基因”的测量并不完全相同。
蛋白实验与 RNA 不一致
RNA 变化不等于蛋白同步变化。翻译效率、蛋白降解、亚细胞定位和修饰状态都可能改变最终表型。WB 或免疫组化还要额外考虑抗体特异性、曝光是否在线性范围、背景扣除方式和阳性对照是否可靠。
功能实验与通路富集不一致
富集分析提供的是一组基因在统计上的共同变化，不代表整条通路已经被功能性激活。功能验证应选择与假设直接相关的核心节点和可测终点，并把剂量、时间、阳性对照和救援实验设计清楚。
第四步：把总体信号拆回细胞和样本
组织样本的总体表达，可能由细胞组成变化驱动。某类细胞比例增加，会让它的 marker 和相关通路在批量 RNA 中整体升高；但如果你在单一细胞类型或纯化细胞中做实验，结果可能不同。
这时可以考虑：
- 按样本检查目标细胞比例，而不是只看合并后的 UMAP；
- 用去卷积或 marker score 估计总体样本中的细胞组成；
- 在单细胞数据中按样本做伪 bulk，避免把细胞数量当成生物学重复；
- 比较亚群内表达和总体表达，区分“细胞变多”和“细胞状态改变”。
拆分后可能会发现：实验和生信并没有真正冲突，只是一个观察总体样本，另一个观察特定细胞或特定状态。
第五步：把冲突写成研究边界，而不是强行抹平
高质量的研究不要求所有结果都朝同一个方向。更重要的是把证据边界写清楚：
本研究在转录水平观察到候选通路的整体变化，实验结果提示该变化未必同步反映为蛋白水平或功能终点；因此，该通路可作为后续验证线索，但目前不足以支持完整的因果结论。
这种写法比“为了统一结果而删除不一致数据”更可靠，也更容易让读者理解下一步实验为什么必要。只有在明确的样本、方法和统计问题被排除后，才适合讨论真正的生物学解释。
一个可复用的复核流程
- 整理冲突清单：记录每个结果的方向、效应量、统计方法、样本和检测层级。
- 做对象对齐：核对组织、分组、时间点、细胞类型、基因 ID 和主要终点。
- 查原始数据：回看 counts、扩增曲线、原始条带、成像曝光和每个样本点。
- 拆解总体信号：检查细胞比例、批次和样本异质性，必要时做伪 bulk 或去卷积。
- 选择正交验证：用不同原理的方法验证同一假设，而不是重复同一种测量。
- 更新结论等级：区分观察结果、候选机制和已被干预实验支持的因果关系。
什么时候适合做项目级复核？
如果你已经做过基础差异分析和一轮实验验证，但仍然无法判断问题来自样本、方法还是机制，继续零散补实验往往会增加成本。尤其是下面几种情况，更适合先做一次项目级复核：
- 冲突涉及多个基因、多个通路或多个实验平台；
- 样本分组、批次和临床协变量较多；
- 需要决定下一轮实验做什么、验证哪个靶点；
- 结果已经进入论文撰写，但证据层级和结论边界还没有理清。
复核的目标不是把所有结果改成一致，而是找出最可能的冲突来源，明确哪些结论可以保留，哪些需要补证据，哪些不应继续外推。
如果你正卡在“到底信哪一个”，可以这样准备
为了快速判断问题，咨询前准备以下材料即可：
- 实验设计、样本分组、时间点和生物学重复数；
- 生信分析流程、版本、主要参数和原始结果表；
- 实验原始图、定量表、抗体或引物信息；
- 最希望解释的两到三个冲突点；
- 下一步计划投稿、补实验或验证的目标。
我们可以先把冲突按“对象不一致、检测误差、统计功效、样本异质性和真实生物学差异”分类，再决定是否需要重新分析、补做正交验证或调整文章叙事。这样比直接追加一整套分析，更容易把预算用在真正影响结论的地方。
也可以先查看云生信分析服务，了解实验验证、转录组、单细胞和多组学结果整合的服务范围。