国自然生信实战20讲 · 第07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7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
- 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(本篇)
- 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。
排名靠前,不等于值得立项
差异分析和富集结束后,最容易出现的问题是候选太多。有人挑P值最小的基因,有人挑网络连接最多的节点,也有人直接挑当年的热门词。每一种排序都可以帮助缩小范围,但都无法独立回答一个课题是否有科学价值。更合理的筛选,需要把统计可靠性、研究问题、既有知识和可验证性放在一起。
本篇继续围绕黏膜炎症与上皮屏障的案例。为保证读者能复核每一步,我们在代码里明确列出一个包含12个上皮相关教学候选的面板,再按发现队列中的变化大小排列。这个面板不是全基因组无偏筛选,也不是一套经过验证的疾病标志物组合。它的作用是演示如何建立透明的候选规则,并保留没有通过规则的成员。
先约定候选规则,再看外部结果
本篇示例规则是:候选来自固定教学面板;发现集中达到既定统计与效应阈值;按绝对变化大小排列;保留完整结果供后续验证。我们没有用验证队列的表现重新决定谁进入面板,也没有把验证失败的候选悄悄从清单删去。这种先后顺序是防止分析被结果牵着走的关键。
需要承认的是,这个面板本身受已有生物学知识启发,因此它适合方法教学,不足以支持“首次发现”的表述。实际准备项目时,研究者应建立可追溯的文献证据表,核查已有工作的具体模型、组织、条件和干预结果,再判断还有什么问题没有被解决。仅因为某基因在自己的分析里排第一,并不意味着这个方向新颖。
一份候选卡片应该包含什么
可以为REG1A和另外两个候选各建立一张卡片。第一行写发现效应和区间,第二行写当前数据层面的主要限制,第三行写已有文献中最接近的问题,第四行写下一步能够改变判断的证据。卡片不需要很长,但每一句都应有对应来源。缺少信息就标记待核实,不用“研究较少”这样的模糊表述替代检索。
比较候选时,最好明确优先级目标。如果目标是验证一个分析流程,可以选择已知、表达可靠的标记;如果目标是提出新机制,必须额外评估未解决问题和实验可行性;如果目标是预测,则需要另外的建模与评价设计。不同目标下排名不同是正常的,不能用同一张差异表同时宣称完成全部任务。
有些候选在组织中变化强,但在计划使用的细胞模型中缺少表达。这不是简单的技术小问题,而可能意味着模型不适合当前假说。提前查询和验证模型表达,可以避免后续依赖高强度外源表达去构造一个与原问题距离很远的系统。若确实需要外源表达,应明确它回答的是哪种条件下的功能问题。
对于面板中未通过筛选的成员,保留它们有助于校准解释。MUC2没有明确整体差异,并不阻止它作为细胞状态标记发挥作用;TFF3在后续外部比较中的表现也提示组织均值与细胞状态不是同一个问题。这些例子提醒我们,不要用一次筛选决定一个基因所有研究用途。
请尝试写出自己的候选停止规则。例如,两个合适独立队列均缺少支持、关键测量存在不可解决歧义、模型无法提供必要条件时,是否降低优先级?停止规则能够保护资源,也让团队知道候选选择不是单向的承诺。生信结果应当服务于决策,包括决定暂时不继续某个方向。
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篇结果与发现表达矩阵;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/07.R
脚本会把本篇表格和三张图写入results/07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(7);d<-load_de();candidates<-d[d$gene%in%panel,];candidates<-candidates[order(-abs(candidates$logFC)),]
candidates$eligible<-candidates$adj.P.Val<.05 & abs(candidates$logFC)>=1
candidates$literature_status<-"Requires targeted review; known markers are not novelty"
save_table(candidates,paste0(o,"/candidate_panel.csv"));lead<-candidates$gene[which(candidates$eligible)[1]];stopifnot(!is.na(lead));writeLines(lead,paste0(o,"/lead_gene.txt"))
fig(paste0(o,"/fig1.png"),{par(mar=c(5,8,3,2));barplot(candidates$logFC,names.arg=candidates$gene,horiz=TRUE,col=ifelse(candidates$logFC>0,"#E78C49","#199C97"),main="Prespecified epithelial teaching panel",xlab="log2 fold change")})
x<-read_expr("discovery");m<-read_meta("discovery")
fig(paste0(o,"/fig2.png"),group_plot(x[lead,],m,paste("Illustrative lead:",lead)))
fig(paste0(o,"/fig3.png"),flow(c("Discovery effect + uncertainty","Biological context and prior publications","Independent replication","Perturbation feasibility"),"A ranked gene is not yet a project"))
本次真实结果给出了什么
在固定面板中,REG1A的发现集绝对变化较大,因此被选作后续贯穿的教学候选。它在本次模型中的log2倍数变化约为4.63。这个数字说明当前样本和处理流程下存在较强的组织层面表达差异,不说明它就是疾病起因,也不说明围绕它开展任何实验都能得到预期结果。我们后续始终把它称作教学候选或研究线索。

同一面板中的MUC2整体差异并不明显,TFF3也没有达到本篇示例筛选要求。把它们保留在表里非常有用:一个与上皮生物学密切相关的基因,不一定在整块组织的病例对照比较中呈现显著变化。缺少显著差异可能与细胞组成、变化发生的层次、测量范围及统计不确定性有关,不能直接推断其没有功能。
不要把一个综合分数当成客观真相
有时研究者会为差异大小、通路关联和文献数量分别打分,再加权得到一个总分。这样便于排序,但权重本身包含主观选择。若没有明确验证依据,不应把总分描述成“成功概率”或“机制可信度”。本篇不构造神秘评分,而是把每项证据分开列示,让读者看见为什么保留一个候选,以及还缺少什么。
| 筛选维度 | 应该核查的内容 | 对决策的实际作用 |
|---|---|---|
| 数据支持 | 效应、区间、样本分布 | 排除只由少数样本推动的印象 |
| 功能联系 | 与当前问题是否直接相关 | 防止热门词替代科学问题 |
| 既有研究 | 已有干预与机制证据范围 | 判断哪些问题仍未解决 |
| 可验证性 | 模型表达、干预条件和读数 | 避免选出无法落地的候选 |
| 外部一致性 | 独立研究是否支持 | 检查关联能否跨环境成立 |
回到每个样本,检查候选是否站得住
第二张图展示REG1A在发现队列中的样本分布。箱线图概括整体,散点保留个体差异。读图时不要只看两组箱子的距离,还要观察患者组内部是否分散、对照是否存在极端点以及两组是否仍有重叠。如果高表达集中在一部分患者,未来的研究问题可能更适合围绕某种状态或亚群,而不是笼统断言所有患者都一样。

单个基因的表达图还有一个作用:帮助发现探针汇总或标识映射的问题。如果一个候选非常重要,正式研究应进一步回查对应探针、转录本和测量特异性。第03篇为了教学使用中位数汇总,不能替代重点候选的深入检查。最终进入实验的靶点,应比普通差异列表接受更严格的来源和测量核验。
让文献阅读直接服务于决策
阅读文献时,不只是记录“某基因与疾病相关”。更有用的记录包括:证据来自组织还是细胞,研究的是表达关联还是功能干预,使用何种模型,是否有反向或救援实验,结论适用于哪种条件。如果文章只观察到表达升高,就不能在笔记中升级为“证明促进疾病”。这种证据等级的混淆会沿着后续写作不断放大。
本教程的候选表专门保留文献核查状态,没有把尚未完成的机制核验伪装成已知结论。研究者可以在自己的副本中补充具体论文、证据类型与待解决问题。对于已被充分研究的候选,合理的下一步可能是换一个更明确的条件或研究层次,也可能是放弃这个方向,而不是靠换一套分析方法重新包装。

实验可行性要在选题时考虑
如果候选在现有细胞模型中几乎不表达,直接敲低可能难以检验功能;如果干预导致广泛细胞死亡,就需要区分生存变化与特定屏障表型。若实验资源只允许验证表达,而核心假说需要功能和救援证据,研究计划也应据此收窄。把这些限制提前写清,比做到后半程才发现模型不合适更有效。
读者可以给每个候选写一句“为什么值得继续”和一句“什么结果会让我停止”。前一句要求具体到研究问题,后一句要求对应可观察证据。如果两句都只能写成“因为显著”或“因为不显著”,筛选仍然过度依赖统计标签。候选选择应当是一项研究判断,而不是自动领取排名第一。
本篇输出固定面板的完整候选表和后续教学候选REG1A。下一篇将比较单基因表达与功能集合评分,帮助理解组织整体的变化是否仅由一个基因概括,以及为什么相关图也需要检查分组影响。
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06讲:富集分析结果太多怎么办?从通路列表提炼研究主线。
下一篇第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。
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。
