国自然生信实战20讲 · 第06讲 · 从数据提出研究线索

系列目录:国自然生信实战20讲(当前第6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
- 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(本篇)
- 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。
富集结果回答的是集合问题
第05篇得到很多有变化的基因。面对长列表,研究者通常会做通路富集,希望找到一个可以讲述的方向。富集分析的价值在于把分散基因放进有来源的功能集合里,观察某些集合是否出现超出背景的变化。但“富集”不是通路活性被直接测量,也不是其中每个基因都显著,更不是机制已经得到证明。
本篇使用两种互补思路。过度富集分析先按规则选出基因,再看某个集合中有多少基因落入这份名单;排序富集则利用全部基因的排序,观察集合成员是否偏向排序的一端。前者直观但依赖阈值,后者保留更多连续信息,但同样依赖排序统计量和基因集合质量。两者相似或不同,都应该能解释原因。
背景基因为什么会改变答案
假设你要判断某类功能基因是否在差异名单中过多,必须先知道它们在能够被选中的基因里占多少。对于芯片数据,能够被选中的范围受平台和注释限制。若用整个基因组作背景,却忽略很多基因根本没在平台上测到,就可能产生偏差。本篇背景是整理后进入发现分析的基因,集合成员也先与这一范围求交集。
一个实用检查是同时查看集合总大小、背景内大小和命中数。如果某通路只有极少数成员实际被测到,就不能只凭一个显著值给出宏大解释。尤其是不同队列平台不同的时候,富集结果的差别可能部分来自覆盖范围,而不是功能真的完全相反。先检查覆盖,常常能解释很多看似复杂的冲突。
先把教学范围说清楚
为了让初学者能够完整跟踪,本篇预先选择八个GO功能集合,包括炎症反应、免疫反应、凋亡过程、细胞周期、离子转运、细胞黏附、细胞分化和细胞间信号。成员通过本次运行环境中的org.Hs.eg.db与GOALL映射取得,保存为附件。因此,这是一组限定范围的功能检验,不是对所有通路的穷尽筛查。
这些集合里有些范围较宽,也可能相互重叠。使用宽集合适合解释方法,却不能把结果写成精细机制定位。若正式课题需要聚焦某一分支,应根据先验问题选择更具体、版本明确的集合,或者进行有计划的全库分析,并按实际检验范围处理多重比较。不能先试上千个集合,最后只对展示的八个校正。
亲手检查一个功能集合
打开gene_sets.csv,选择炎症反应集合,把其中成员与完整差异结果表按gene列连接。不要只保留显著成员,先观察全部已测成员的方向和统计量。你会更容易理解为什么一个集合可以有整体富集,而其中仍存在没有明显变化或朝相反方向变化的基因。集合结论与单基因结论处于不同层面。
随后检查几个集合之间的成员重叠。如果免疫反应与炎症反应共享许多基因,两项显著结果就不能简单当作两条独立验证。可以把共享成员单独列出,再看各自特有成员是否支持相同解释。这种检查往往比继续增加更多颜色和通路名称更能提升研究判断的质量。
本篇使用GOALL映射,意味着成员关系可能包含上层功能归属。宽集合更容易覆盖多种过程,解释也应更概括。正式研究若需要讨论具体分子步骤,应回到更细的定义与原始文献。不要因为一个宽泛集合名称与申请题目相似,就忽略它实际包含的生物学范围。
排序统计量还应检查非有限值、重复名称和大量并列值。当前输入由完整limma结果生成,代码明确按带方向统计量排序。若换成自己的文件,不要把基因符号误当成数值列,也不要把只包含显著基因的表冒充全基因排序。缺少未显著成员会改变富集检验的背景和含义。
最后,为准备进入实验讨论的方向写一段简短解释:是哪一组成员贡献了主要信号,与哪个具体问题相关,还有什么替代解释。若只能写“某通路显著富集”,说明还没有完成从结果到研究判断的转换。通路分析应该缩小问题,而不是仅增加一页结果截图。
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。本篇读取第05篇完整差异结果;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/06.R
脚本会把本篇表格和三张图写入results/06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(6);d<-load_de()
ids<-c("GO:0006954","GO:0006955","GO:0006915","GO:0007049","GO:0006811","GO:0007155","GO:0030154","GO:0007267")
labels<-c("Inflammatory response","Immune response","Apoptotic process","Cell cycle","Ion transport","Cell adhesion","Cell differentiation","Cell-cell signaling")
db<-org.Hs.eg.db::org.Hs.eg.db
map<-AnnotationDbi::select(db,keys=ids,keytype="GOALL",columns="SYMBOL")
sets<-lapply(ids,function(id)intersect(unique(na.omit(map$SYMBOL[map$GOALL==id])),d$gene));names(sets)<-labels
saveRDS(sets,paste0(o,"/gene_sets.rds"));save_table(data.frame(term=rep(names(sets),lengths(sets)),gene=unlist(sets,use.names=FALSE)),paste0(o,"/gene_sets.csv"))
hit<-d$gene[d$adj.P.Val<.05 & abs(d$logFC)>=1];N<-nrow(d)
ora<-data.frame(term=names(sets),size=lengths(sets),overlap=sapply(sets,function(s)sum(s%in%hit)))
ora$p<-mapply(function(k,M)phyper(k-1,M,N-M,length(hit),lower.tail=FALSE),ora$overlap,ora$size);ora$FDR<-p.adjust(ora$p,"BH");save_table(ora,paste0(o,"/ora.csv"))
ranks<-setNames(d$t,d$gene);ranks<-sort(ranks,decreasing=TRUE)
fg<-fgsea::fgseaMultilevel(sets,ranks,minSize=10,maxSize=5000,nproc=1,eps=1e-6)
fg$leadingEdge<-vapply(fg$leadingEdge,paste,collapse=";",FUN.VALUE="");save_table(as.data.frame(fg),paste0(o,"/gsea.csv"))
fig(paste0(o,"/fig1.png"),{par(mar=c(5,12,3,2));barplot(-log10(pmax(ora$FDR,1e-100)),names.arg=ora$term,horiz=TRUE,col="#199C97",cex.names=.7,xlab="-log10 BH FDR",main="ORA: eight prespecified GO sets")})
fig(paste0(o,"/fig2.png"),{par(mar=c(5,12,3,2));barplot(fg$NES,names.arg=fg$pathway,horiz=TRUE,col=ifelse(fg$NES>0,"#E78C49","#199C97"),cex.names=.7,xlab="NES",main="Rank-based enrichment")})
fig(paste0(o,"/fig3.png"),print(fgsea::plotEnrichment(sets[[1]],ranks)+ggplot2::labs(title="Inflammatory response: ranked gene positions")))
过度富集分析如何理解
我们延续第05篇的示例阈值,选择达到统计与效应要求的基因,再计算每个功能集合的命中情况。这里把上调和下调合在一起,因此这一步描述的是某类功能相关基因是否较多地发生变化,不能直接判断通路被激活还是抑制。如果需要讨论方向,应分别分析上下调名单,或转向带方向的排序结果,并说明不同做法回答的问题。

| 分析选择 | 本篇设置 | 解释时必须保留的条件 |
|---|---|---|
| 背景 | 发现集中实际进入分析的基因 | 不等于全部人类基因 |
| 差异名单 | FDR与变化大小双重阈值 | 阈值改变可能影响结果 |
| 功能范围 | 预先指定的八个GO集合 | 不代表全面筛查 |
| 排序依据 | limma带方向的统计量 | 不是仅按原始P值排序 |
| 方向解释 | 结合NES和成员变化 | 不直接等同于实测通路活性 |
排序富集保留了什么信息
排序富集不先把基因切成“有变化”和“无变化”。本篇把limma的带方向统计量作为排序依据,正端代表更偏向患者组的变化,负端代表更偏向对照组的变化。使用fgsea计算标准化富集得分并处理相应检验。输入要求基因名称明确且不重复,这正是第03篇整理规则影响下游分析的地方。

NES的正负与排序方向绑定。如果换了对比方向,符号也会改变。NES大小受到集合结构和统计过程影响,不能把一个集合的得分理解成“比另一个通路活跃几倍”。同时查看校正结果、集合大小和主要贡献成员,才能判断这个方向是否值得深入。对名义上显著但由少量通用炎症基因驱动的结果,解释要更谨慎。
怎样读一条富集曲线
本篇第三张图展示炎症反应集合在排序中的位置。曲线和成员刻线共同说明,集合中的基因是否集中在排序前部或后部。读图时应问:主要贡献来自哪些基因?它们的表达和注释是否可靠?是否与其他集合大量共享?如果几条看似不同的通路其实由同一小组基因驱动,那么它们不是彼此独立的多条证据。

对于国自然研究准备,比列出十几个通路名称更有用的做法是挑出一到两个与问题相关的方向,回到成员基因和样本层面检查。假如某集合支持炎症相关变化,而上皮连接相关候选也发生改变,可以提出两者是否存在关联的问题,但不能把富集结果直接画成已经成立的上下游关系。箭头的含义仍然需要实验或更强设计支持。
常见的三类“过度解释”
第一类是把富集写成激活,却没有方向性证据;第二类是把通路名称当作结论,没有检查命中成员;第三类是在大量相似集合中挑最符合故事的一项,忽略其余不一致结果。避免这些问题的办法并不复杂:保存完整结果、写明背景和检验范围、展示成员贡献,并把尚未解决的部分列为假说。
读者可以做一个练习:把差异阈值由绝对log2倍数变化1改为0.5,只比较名单大小和集合排序的改变,不选择“更好看”的版本替换主结果。再检查排序富集是否给出相近的方向。这个练习能直观说明离散阈值和连续排序的差别,也能帮助理解为什么两种方法不必每次完全一致。
本篇交付八个集合的成员文件、过度富集结果、排序富集结果和三张图。下一篇将回到候选基因,说明如何在功能、统计证据与后续实验可行性之间做选择,而不是机械地挑选富集图上最显著的一条。
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。
下一篇第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。
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?
如果已有表达矩阵但不确定如何解释结果,可以准备分组说明、分析版本和关键结果摘要,沟通下一步分析与复核需求。 联系云生信,说明当前研究任务。
