R

国自然生信实战09/20|换一批数据还成立吗?手把手做独立队列验证

作者:发布于 2026-11-17约 14 分钟阅读
国自然生信实战第9讲:换一批数据还成立吗?手把手做独立队列验证

国自然生信实战20讲 · 第09讲 · 检查结论是否可靠

国自然生信实战第9讲:换一批数据还成立吗?手把手做独立队列验证
系列目录:国自然生信实战20讲(当前第9讲)
  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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
  9. 第09讲:换一批数据还成立吗?手把手做独立队列验证(本篇)
  10. 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
  11. 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
  12. 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
  13. 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
  14. 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
  15. 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
  16. 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
  17. 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
  18. 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
  19. 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
  20. 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。

独立验证要验证什么

发现队列中的候选之所以被选中,正是因为它们在这批数据里表现突出。继续在同一批样本上换图、换分组展示,并不能判断这种关联离开当前研究后是否仍然存在。独立验证的作用,是把已经明确的问题放到另一组数据中检验,观察方向、效应大小和不确定性,而不是重新开展一次无约束筛选。

本篇承接第07篇固定的12基因教学面板,在GSE87466中检查它们的组织表达差异。验证集包含87例患者和21例对照,使用与发现集相应的比较方向:患者减去对照。两个研究分别建模,然后在共同测量的基因上合并结果表。我们没有把两组表达值直接混在一起,也没有要求两个平台给出完全一样的数字。

先固定候选名单,减少结果导向选择

如果看完验证结果后,才决定哪些基因算作“原来的候选”,验证就失去了约束。本教程保存完整面板,并明确标记候选筛选规则。REG1A作为教学主线由发现集确定,MUC2和TFF3等没有达到发现筛选要求的成员仍保留,便于观察不同结果类型。读者不应把保留全表误解为所有成员都已经通过第一阶段筛选。

验证时也需要考虑检验范围。本篇对面板中实际可比较的候选进行BH校正,结果表标明这套验证范围。全基因组结果与面板内校正回答的范围不同,不能在文章里混用数值而不说明。如果正式项目同时验证多组基因、多个结局和多种模型,校正与主次分析应根据完整计划确定,而不能只考虑最后展示的一小部分。

建立一张候选验证判读卡

以REG1A为例,先从表里抄出两个队列的比较方向、效应和区间,再写一句当前可以支持的结论。不要先写“成功验证”再寻找数字填进去。两项研究的点估计虽然不同,但都指向患者组更高;这种一致性支持继续研究当前组织关联。它仍然没有回答蛋白功能、作用细胞或干预效果,这些需要后面的证据。

再为TFF3做同样卡片。它的点估计方向不同,当前证据不适合写成稳定的组织差异。注意这不是要求你立即寻找一个临床解释把冲突消除。首先确认映射、尺度和分组,再记录信息不足。如果没有证据证明某种人群差异导致结果变化,就把它写为可能解释,而不是事实。

MUC2则展示另一个情形:两边都没有明确的整体组织变化。这个结果提醒我们,某基因在生物学上重要与它在当前病例对照平均比较中显著,是两件不同的事。后面它可以出现在分泌相关细胞标记里,并不与组织结果矛盾。相同基因可以服务于不同问题,但每次必须明确分析单位和结局。

验证表中还应记录无法比较的成员。如果一个平台没有可靠映射,保留“未能检验”比删除该行更有帮助。未检验、未达到统计阈值、方向冲突,各自意味着不同的信息缺口。把三者混写成验证失败,会影响后续实验选择,也会误导读者对证据完整性的理解。

实际团队协作时,可以把候选清单和规则在查看验证结果前保存为一个不可覆盖的版本,并记录日期。后续如需改变规则,另存探索版本,说明变化原因。这个做法不是增加繁琐流程,而是让团队能够区分最初检验与后来发现的新问题。它尤其适合多人分别负责发现和验证的工作。

最后检查统计家族:本文面板校正只覆盖当前实际检验的面板成员。如果你又增加十个结局、多个亚组或大量参数,就不能继续沿用这套简单口径。先定义主要验证问题,再安排补充探索,能够让外部验证保留真正的约束力。

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篇两队列结果与第07篇候选表;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/09.R

脚本会把本篇表格和三张图写入results/09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(9);a<-load_de();b<-load_de("validation");cand<-read.csv("results/07/candidate_panel.csv")
z<-merge(a[a$gene%in%cand$gene,c("gene","logFC","CI.L","CI.R","P.Value")],b[,c("gene","logFC","CI.L","CI.R","P.Value")],by="gene",suffixes=c("_D","_V"))
z$validation_FDR<-p.adjust(z$P.Value_V,"BH");z$same_direction<-sign(z$logFC_D)==sign(z$logFC_V);save_table(z,paste0(o,"/replication.csv"))
fig(paste0(o,"/fig1.png"),{plot(z$logFC_D,z$logFC_V,pch=16,col="#199C97",xlim=range(z$logFC_D)+c(-.6,.6),ylim=range(z$logFC_V)+c(-.6,.8),xlab="Discovery log2FC",ylab="Validation log2FC",main="Same direction is one part of replication");abline(h=0,v=0,lty=2);text(z$logFC_D,z$logFC_V,z$gene,pos=3,cex=.65)})
lead<-lead_gene();x<-read_expr("validation");m<-read_meta("validation")
fig(paste0(o,"/fig2.png"),group_plot(x[lead,],m,paste("Independent cohort:",lead)))
row<-z[z$gene==lead,]
fig(paste0(o,"/fig3.png"),{plot(c(row$logFC_D,row$logFC_V),1:2,xlim=range(c(row$CI.L_D,row$CI.L_V,row$CI.R_D,row$CI.R_V)),yaxt="n",pch=16,xlab="log2FC with nominal 95% CI",ylab="",main=lead);axis(2,1:2,c("Discovery","Validation"));segments(c(row$CI.L_D,row$CI.L_V),1:2,c(row$CI.R_D,row$CI.R_V),1:2);abline(v=0,lty=2)})

方向一致是必要观察,但并不充分

第一张图横轴为发现集效应,纵轴为验证集效应。位于右上或左下的候选方向一致,另外两个区域表示方向相反。读图时还应考虑点离零多远、两边估计是否精确。一个发现集变化很小、验证集也很小的基因,即使方向一致,也不能因此获得很强支持;方向不同但两边区间都很宽,则可能主要反映不确定性。

固定候选的跨研究效应比较,未隐藏不一致成员。
图1:固定候选的跨研究效应比较,未隐藏不一致成员。

本次分析中,REG1A在发现集的log2倍数变化约4.63,在验证集约3.71,均为患者组更高。CLDN8则在两个研究中都较低。MUC2的整体变化较小,未表现为明确的组间差异;TFF3的点估计方向不同,而且相关区间提示不确定性。我们保留这些差异,避免给读者造成“所有候选都顺利验证”的印象。

验证表现 合理判断 不宜作出的判断
同方向且估计较精确 当前关联获得外部支持 已证明因果或临床价值
同方向但区间很宽 证据仍有限 完全验证成功
方向相反且均较精确 需要检查异质性或错误 隐藏其中一个研究
都接近零 当前比较缺少强变化证据 该基因没有生物功能
一个平台未测到 暂时无法验证 该研究证明没有表达

看原始样本比只看一个P值更重要

第二张图展示REG1A在验证队列中的表达分布。它帮助检查关联是否由少数极端样本推动,以及患者内部是否存在明显异质性。验证集中的组间差异仍然是未经完整临床混杂调整的观察关联,不能因为P值较小,就忽略对照年龄缺失等限制。下一篇会把这项限制展开处理。

独立队列中REG1A的样本表达分布。
图2:独立队列中REG1A的样本表达分布。

效应区间图则把两个研究放在同一个观察框架里。区间重叠与否不应被机械用作研究间差异的正式检验;它只是帮助直观比较范围。两个平台的探针设计和动态范围不同,因此log2效应数值的差异也不必全部归因于人群差异。若需要正式合并效应,应先讨论测量尺度和设计是否足够可比。

两个研究的效应与名义95%区间,不是直接合并效应。
图3:两个研究的效应与名义95%区间,不是直接合并效应。

外部验证仍然有边界

另一组数据可以降低某些偶然性的担忧,却不会自动解决两个研究共同存在的偏差。例如,两组都使用组织混合表达,就都可能受到细胞组成影响;两组都缺少某些暴露信息,就都无法充分调整相关混杂。重复出现的关联值得重视,但需要说明重复的是哪一种证据,而不是把它升级成另一种证据。

此外,外部研究的人群严重程度、采样位置、治疗背景和处理流程可能不同。本系列保持统一的大方向,但没有假设所有细节完全一致。研究者在自己的项目里应记录这些差别,并判断验证失败究竟是测量问题、适用范围变化,还是原始发现本身不稳定。没有充分信息时,诚实地保留不确定性更合理。

怎样报告验证不成功的候选

可以写清“在当前验证队列中,点估计方向不一致,且尚缺少支持同一关联的充分证据”,并列出可能影响解释的资料。不要简单写成“没有意义”,也不要通过更换阈值、删除样本或转用另一种表达定义,把它强行改造成成功。若后续需要重新探索,应明确这是新的探索阶段,并安排新的验证资料。

读者可以做一个练习:只看完整验证表,不看文章标题,给每个候选写一句不超过两行的结论。要求包含方向、效应或区间、以及限制。这样会迫使我们把“显著”转换成可理解的研究判断。最终选择继续研究的候选,应当能经得起这种简洁描述,而不依赖大量修饰语言。

本篇输出候选验证表、样本分布图和效应区间图。下一篇讨论混杂因素和缺失资料:当对照组没有年龄时,为什么不能直接运行一个“校正年龄”的模型,以及怎样把问题调整到当前数据确实能回答的范围。

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。

下一篇第10讲:差异真的是疾病造成的吗?识别混杂因素与缺失信息。

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?

如果候选验证不一致,可以准备两组数据的纳入规则、效应表和缺失信息,先厘清哪些问题能由现有数据回答。 联系云生信,说明当前研究任务。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗