国自然生信实战20讲 · 第04讲 · 把问题和数据选对

系列目录:国自然生信实战20讲(当前第4讲)
- 第01讲:国自然里的生信从哪里开始?把研究方向拆成可分析的问题
- 第02讲:公共数据怎么选?找到与你的研究问题真正匹配的数据集
- 第03讲:下载数据后先做什么?表达矩阵、样本分组和基因编号整理
- 第04讲:为什么有些数据不能直接分析?看懂异常样本与批次效应(本篇)
- 第05讲:差异表达怎么做才有解释价值?从统计显著到生物学意义
- 第06讲:富集分析结果太多怎么办?从通路列表提炼研究主线
- 第07讲:哪些基因值得继续研究?把表达、功能和文献证据放在一起
- 第08讲:基因升高说明了什么?区分单个基因变化与功能状态变化
- 第09讲:换一批数据还成立吗?手把手做独立队列验证
- 第10讲:差异真的是疾病造成的吗?识别混杂因素与缺失信息
- 第11讲:换个阈值结论就变了?用敏感性分析检查结果稳定性
- 第12讲:两个队列结果不一致怎么办?从差异中发现研究边界
- 第13讲:为什么整体组织的变化还不够?用单细胞定位表达来源
- 第14讲:是细胞变多了,还是细胞内部表达变了?拆解两种解释
- 第15讲:关键细胞发生了什么变化?从细胞类型走向功能状态
- 第16讲:细胞之间可能如何影响彼此?把通讯线索变成可验证的问题
- 第17讲:从一堆图到一个科学假说:整理现有证据与关键缺口
- 第18讲:生信之后做哪些实验?把候选线索拆成逐步验证的任务
- 第19讲:样本量和验证队列怎么规划?用模拟看清研究可行性
- 第20讲:把整个项目串起来:形成可复现分析包和完整技术路线
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。
PCA图上的一个离群点,是否应该删除
拿到表达矩阵后,很多人的第一步是画PCA,然后把离群点删掉,希望分组看起来更整齐。这种做法容易把真实的生物差异当作噪声,也可能在不知不觉中让结果更符合预期。本篇给PCA、分布图和样本距离树一个更合适的位置:它们是提出质量问题的线索,不是自动决定样本去留的裁判。
我们继续使用整理后的85个发现样本。当前主比较是活动期患者与结肠对照,所有图都保留这批样本。教程不会因为某些患者靠近对照、某个对照距离较远,就在没有额外依据时删除它们。实际质量控制应该结合原始质控、样本来源、处理批次和预先规定的规则,而不是仅依据下游结果是否更显著。
PCA到底在看什么
可以把每个样本理解为由很多基因共同描述的一个点。PCA寻找能够解释较多变化的方向,将高维信息压缩到几个坐标上。第一主成分并不天然代表疾病,第二主成分也不天然代表批次。一个方向可能同时受到组织组成、炎症程度、技术因素和其他未测量变量的影响,解释它需要额外资料。
本篇先选取方差较大的2000个基因,再对样本做中心化、不逐基因标准化的PCA。这样做是一个明确的探索设置,便于避免大量变化极小的特征掩盖主要结构。它不是唯一正确的设置。正式项目可比较不同合理特征选择下的结构是否稳定,但不应只保留最能分开组别的一张图,再把这种分离当作独立证据。

图中每个点是一个样本,颜色表示已经知道的分组。如果两组有重叠,这并不说明疾病没有表达差异;疾病关联可能只出现在部分基因,或者患者内部异质性较大。如果两组分得非常开,也不能直接宣布发现了可靠标志物,因为取样、平台或批次差异同样可能形成分离。PCA的正确用途是帮助制定下一步核查,而不是代替统计建模。
将“异常”拆成可核查的问题
发现一个距离较远的样本后,先核对样本名称和分组是否读对,再看表达分布是否异常,然后回查原始数据说明、处理批次和临床信息。若有原始芯片质量指标,也应纳入判断。只有在存在具体技术或设计理由时,才考虑排除,并把理由、规则和排除前后的结果一起保存。没有这些依据时,可以先做保留与不保留的敏感性比较,不能悄悄删除。
| 图上现象 | 可能解释 | 下一步核查 |
|---|---|---|
| 单个样本远离其余样本 | 技术异常或真实异质性 | 分布、原始质控、临床注释 |
| 两组沿一个方向分开 | 疾病、细胞组成或批次 | 批次与分组交叉表 |
| 同组形成多个小团 | 亚群、部位或处理差异 | 可获得的样本特征 |
| 分布整体偏移 | 尺度不同或质量问题 | 数据处理说明与文件来源 |
| 距离树存在长分支 | 某样本整体表达不同 | 多种证据联合判断 |
分布图与距离树补充了什么
本篇分布图展示前20个样本,目的是让读者在可读的画面里观察中位数和分布宽度。它不是只对这20个样本做质控;附件中的全部样本检查表及PCA仍覆盖整个发现子集。展示子集和分析子集必须说清,否则图看起来简洁,却容易让人误解哪些样本真正进入了模型。

距离树把表达相近的样本逐步聚在一起,可以帮助观察是否有单独长分支或明显子群。树的形状依赖距离定义和特征选择,并不是患者真实演化关系,也不是疾病严重程度排序。这里使用与PCA相同的高变基因集合,便于读者理解两张图为什么可能表现出相似结构,但不要把它们当作两次完全独立的验证。

为什么批次效应不能一键解决
批次指测量过程中的系统差别,例如不同日期、操作者或平台。判断是否需要调整,先要有可信的批次信息,再检查它与疾病分组的关系。如果所有患者都在一个批次、所有对照都在另一个批次,就无法仅凭这份数据区分疾病与批次贡献。软件可以输出校正后的矩阵,却不能补回设计中缺失的信息。
在当前教程公开注释中,我们没有得到足以支持任意批次调整的完整字段,因此主流程不虚构一个批次变量,也不把样本编号顺序直接当作批次。跨研究比较则让每个队列独立分析,以避免把研究来源和疾病效应混在一起。未来若得到真实批次资料,可重新评估设计矩阵、可识别性和合适的调整方法。
让探索图回答具体的检查问题
拿到PCA图后,建议先写下一句观察,再写一句解释假设。观察可以是某几个样本位于图的一侧,解释则可能涉及组别、技术或临床背景。两句话分开记录,能防止猜测在后续报告中变成事实。若没有可用资料确认解释,就把它保留为待核查线索,不要为了让图有故事而给每个方向强行命名。
查看PCA坐标表时,可以按已知变量着色或分面,但应避免遍历大量变量后只保留最符合预期的组合。若发现新的分层现象,应标注探索性质,并在独立资料中核查。主成分由同一张表达矩阵估计,利用它反复筛选样本再评价同一组差异,也可能引入结果导向选择。
一个实际有用的练习是比较“使用高变基因”和“使用全部经过整理的基因”时的结构。如果主模式相近,说明观察并不完全依赖这一项特征选择;如果明显不同,先检查被高变规则强调了哪些基因。不要立即选择最能分开患者与对照的图作为唯一结果。探索的目的在于理解结构,而不是最大化视觉分离。
对异常样本的处理,最好形成一份记录:发现它的图是什么,是否有独立技术依据,主分析是否保留,以及敏感性分析如何安排。这份记录可以很短,却能帮助后来解释样本数量变化。团队成员如果只看到删去样本后的图,往往无法判断这是合理质控还是事后筛选。
最后,区分“没有观察到明显异常”与“数据不存在问题”。PCA主要反映较大的变化方向,某些特定基因的测量错误未必在图上显现。质量控制应由标识、尺度、原始指标、样本结构和关键候选核查共同组成。任何一张图都不应被赋予超出其信息范围的保证。
运行方法与输出检查
下载文末完整复现包后先解压,将R的工作目录切换到其中的workbook目录,再运行下方命令。不要只复制某一行分析语句,因为公共函数、输入文件和前序结果需要保持同一套目录关系。本篇读取发现表达矩阵和样本表;附件已包含这些起始文件,因此可以单独学习本篇,也可以按顺序运行全系列。
Rscript scripts/04.R
脚本会把本篇表格和三张图写入results/04目录。运行结束后先检查输出表中的样本标识、列名与正文说明,再打开图片核对坐标和分组。出现报错时保留原始输入,先查工作目录、文件完整性及依赖版本,不要通过改分组或填补不存在的数据来让代码继续。下载包内的版本记录来自实际验证环境,安装时请保持R与Bioconductor依赖相容。
下面提供本篇完整R脚本;它会载入scripts/common.R中的公共函数。共用函数、数据整理代码和逐步日志也包含在复现包中,便于检查每一步的输入与输出。
source("scripts/common.R")
o<-start(4);x<-read_expr("discovery");m<-read_meta("discovery")
v<-apply(x,1,var);pick<-order(v,decreasing=TRUE)[1:2000];p<-prcomp(t(x[pick,]),center=TRUE,scale.=FALSE)
z<-as.data.frame(p$x[,1:5]);z$sample<-m$sample;z$group<-m$group;save_table(z,paste0(o,"/pca.csv"))
fig(paste0(o,"/fig1.png"),{plot(z$PC1,z$PC2,col=cols[m$group],pch=16,xlab="PC1",ylab="PC2",main="Exploration, not a deletion rule");legend("topright",levels(m$group),col=cols,pch=16)})
fig(paste0(o,"/fig2.png"),boxplot(x[,1:20],names=rep("",20),col=cols[m$group[1:20]],ylab="log2 expression",main="First 20 sample distributions"))
fig(paste0(o,"/fig3.png"),plot(hclust(dist(t(x[pick,]))),labels=FALSE,main="Sample distances",xlab="Samples",sub="Inspect metadata before excluding any sample"))
作图校正与推断模型不是同一个步骤
为了展示,有时会生成去除某些技术差异后的表达图;为了统计推断,则往往需要在合理的模型中纳入相应协变量。两者的用途不同。不能因为校正后的PCA更好看,就默认疾病效应估计更可靠;也不能把疾病变量一并回归掉,再解释为什么疾病信号消失。每次校正都应写清保留什么、移除什么以及依据是什么。
读者可以做一个简单的设计练习:画出一个两行两列的交叉表,行是患者与对照,列是两个批次。如果每个批次都包含两组样本,至少在设计上有机会区分两个效应;如果只有对角线有样本,识别就困难得多。这个表格往往比立即尝试多个校正包更能说明问题。分析的限制可能来自采样设计,而不是计算能力不足。
本篇结束时应保留什么
保存PCA坐标、样本距离图、分布图和任何被标记样本的核查记录。若没有明确排除依据,就保持样本集合不变,在后续敏感性分析中检查个别样本影响。写作时可以说“进行了探索性样本结构检查”,但不要把没有明显异常等同于“已排除所有批次效应”。下一篇将在这一清晰边界下进行差异表达分析,重点同时观察效应大小和不确定性。
代码、数据与继续阅读
下载完整复现包:20篇R脚本、整理输入、起始结果、运行说明与版本记录。包含公共数据教学子集;不包含任何实际实验结果。解压后先阅读README。
承接第03讲:下载数据后先做什么?表达矩阵、样本分组和基因编号整理。
下一篇第05讲:差异表达怎么做才有解释价值?从统计显著到生物学意义。
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?
如果你还在判断研究问题与公共数据能否匹配,可以准备疾病方向、取材位置和现有资料概况,沟通数据可行性与分析范围。 联系云生信,说明当前研究任务。
