R

国自然生信实战10/20|差异真的是疾病造成的吗?识别混杂因素与缺失信息

作者:发布于 2026-11-17约 13 分钟阅读
国自然生信实战第10讲:差异真的是疾病造成的吗?识别混杂因素与缺失信息

国自然生信实战20讲 · 第10讲 · 检查结论是否可靠

国自然生信实战第10讲:差异真的是疾病造成的吗?识别混杂因素与缺失信息
系列目录:国自然生信实战20讲(当前第10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
  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(本篇)
  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。

把年龄放进公式,不一定就完成了调整

看到患者与对照的表达不同后,一个自然问题是:这种差异是否可能与年龄、治疗或其他因素有关?很多教程会给出“在模型里加上年龄和性别”的答案。真正的前提却是这些变量被正确测量、两组都有足够信息,并且模型能够区分它们与疾病分组的贡献。缺少这些条件,增加公式项可能只会制造一种已经控制偏差的错觉。

本系列的验证队列恰好提供了一个真实案例。GSE87466的公开注释中,患者组有年龄信息,对照组年龄字段为缺失。我们不根据样本名称猜测年龄,也不把对照的缺失统一填成患者平均年龄。这意味着当前公开矩阵不能支持一个完整的、年龄调整后的患者对照效应估计。把限制指出来,是分析的一部分。

先按组检查缺失,而不是直接建模

本篇代码计算各组年龄缺失比例,并绘制图形。读者会看到对照组的缺失不是零星散落,而是整组缺少。在这种情况下,完整病例分析会把对照全部删除,剩下的数据无法继续回答患者与对照的比较问题。软件可能报错,也可能悄悄使用一个与预期不同的样本集合,所以运行前后的样本数必须核对。

实际公开注释中,对照组年龄全部缺失。
图1:实际公开注释中,对照组年龄全部缺失。

缺失值的处理应当依据缺失机制、可用辅助信息与研究目标。这里并不是说任何插补都不允许,而是当前资料没有提供足够依据,不能用一个随意假定的年龄分布替代真实对照信息。即使复杂方法能够生成数字,也必须说明额外假设和无法由当前数据验证的部分,不能把生成值当成观察事实。

当前情形 可以做的工作 不能直接声称
两组都有可信年龄 检查分布并考虑合理调整 所有年龄相关偏差都已消失
少量零散缺失 评估机制和合适处理方法 任意填补都没有影响
对照整组缺失年龄 如实保留未调整限制 已控制年龄混杂
只有患者有病变范围 在患者内部讨论相关问题 用该变量完成全人群同等调整
治疗信息未公开 查原始资料或补充采集 根据表达反推每人的用药

可以改问一个数据能回答的问题

既然患者组有年龄和病变范围,我们可以在患者内部探索候选表达与这些变量的关系。这里的模型使用REG1A表达作为响应,年龄和病变范围作为解释变量。它回答的是“患者内部的表达差异与这些特征是否相关”,不是“排除年龄后疾病还剩多少影响”。两个问题应该用不同句子描述,不能在展示患者内部模型后宣布完成疾病效应校正。

先数清模型实际用了多少样本

在自己的项目中,可以先用complete.cases检查准备进入模型的字段,再按疾病分组统计完整记录数量。如果某组在这一步完全消失,就应停止并重新审视问题。不要等模型输出后才发现样本量变小,也不要用原始入组总数描述实际分析人数。不同模型因缺失而使用不同样本时,模型间差异还可能来自样本变化。

本篇患者内部模型同时包含年龄和病变范围,但这不代表已经找到了二者的因果作用。样本来自观察研究,变量之间可能共享其他未测量因素。系数解释必须限定为当前模型下的条件关联。若要研究因果,应另外讨论时间顺序、选择机制、干预含义和更完整的设计。

对于病变范围,代码将其作为分类变量处理,而不是把两个类别随意编码成连续数字后解释为单位增加效应。分类变量的参考水平也会影响系数符号。读者应检查每个水平有多少样本,是否存在极小组别,以及模型是否因空水平或缺失导致不可估计。基础频数表常常比复杂诊断更先发现问题。

如果某个临床变量存在明显非线性,简单直线可能不足。但增加样条或交互项也需要信息量和问题依据。不要仅因曲线看起来更贴合散点就增加复杂度,更不要遍历多种模型后只展示最好结果。可以预先规定主模型与有限的敏感性模型,再比较结论是否有实质改变。

将这些检查写成后续采样要求:哪些字段必须采、如何定义、何时记录、如何区分未知与不适用。公共数据里的缺口正好帮助我们避免在自建队列中重犯。一个能够稳定收集的关键字段,可能比事后增加一种分析软件更能提升结论可信度。

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。本篇读取验证表达、临床注释与第07篇候选;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/10.R

脚本会把本篇表格和三张图写入results/10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(10);m<-read_meta("validation");x<-read_expr("validation");lead<-lead_gene()
audit<-aggregate(is.na(m$age),list(group=m$group),mean);names(audit)[2]<-"age_missing_fraction";save_table(audit,paste0(o,"/missing_age.csv"))
# Controls have no age. An adjusted UC-vs-Control effect is not estimable from complete cases.
stopifnot(all(is.na(m$age[m$group=="Control"])))
uc<-m$group=="UC" & !is.na(m$age);d<-data.frame(y=x[lead,uc],age=m$age[uc],extent=factor(m$diseaseextent[uc]))
f<-lm(y~age+extent,data=d);save_table(data.frame(term=rownames(coef(summary(f))),coef(summary(f)),check.names=FALSE),paste0(o,"/UC_only_age_extent.csv"))
fig(paste0(o,"/fig1.png"),barplot(audit$age_missing_fraction,names.arg=audit$group,col=cols,ylim=c(0,1),ylab="Missing age fraction",main="No complete-case controls"))
fig(paste0(o,"/fig2.png"),plot(d$age,d$y,col="#E78C49",pch=16,xlab="Age (UC only)",ylab=paste(lead,"expression"),main="A within-UC question, not disease adjustment"))
fig(paste0(o,"/fig3.png"),flow(c("Identify missingness by group","Do not invent control ages","State the unadjusted comparison's limit","Collect balanced covariates in a new cohort"),"Missing metadata changes the claim"))

本篇保存模型系数表,读者需要同时观察估计方向、范围和样本构成。年龄采用简单线性项,只是透明的教学设置,不保证真实关系必然线性。正式研究可根据先验和样本量考虑非线性,但不应在看到结果后反复尝试多种变换、只挑最显著的一种。模型复杂度必须服务于问题,并与信息量相匹配。

仅患者内部的年龄与REG1A表达散点,不是疾病效应的年龄调整。
图2:仅患者内部的年龄与REG1A表达散点,不是疾病效应的年龄调整。

混杂变量、机制中介和技术变量要区分

并不是所有能拿到的变量都应该加入模型。某些变量可能发生在疾病之前并影响表达,另一些可能位于研究机制路径中,还有一些只是测量过程的技术因素。随意加入变量,可能改变我们要估计的效应含义,甚至引入新的偏差。决定是否调整前,先画出合理的因果关系假设,明确当前想估计哪一种关联或效应。

例如,若研究目标涉及炎症状态如何关联某个上皮过程,把一个反映炎症严重程度的指标调整掉,可能不再回答原来的总体问题。反过来,如果关注同等炎症条件下的关联,调整又可能有不同意义。这里需要研究知识和设计判断,而不是让软件自动选择一组“最优变量”后再解释其生物学意义。

为什么不能根据文件名补回临床信息

公开样本名称有时看起来包含出生日期、性别或其他编码,但除非原始研究明确给出编码规则,否则不能擅自解析。名称可能经过去标识化,也可能采用完全不同的内部规则。把猜测写成临床变量不仅会产生错误,还会让后续模型看起来比实际资料更完整。本教程保留公开字段中的真实缺失,不尝试从标识恢复个人信息。

同样,不能因为某个基因与年龄有关,就用它的表达来“估计年龄”后再调整同一批表达关联,而不讨论循环使用数据和额外模型误差。任何推断出来的协变量都不是实测值。若确实采用外部预测工具,应另行定义使用范围、训练来源和不确定性,并说明它是否适合当前组织和平台。

资料缺失时收窄问题和补充采样的决策示意。
图3:资料缺失时收窄问题和补充采样的决策示意。

对课题设计有什么直接帮助

这次限制告诉我们,后续自建验证队列应更早规划临床资料。至少要记录与主问题相关的人群特征、取材位置、疾病阶段、治疗暴露、样本处理和重复测量结构。资料采集应遵循伦理和数据管理要求,而不是先测完表达,再临时补问能够让结果更显著的变量。平衡的采样和可信元数据,往往比后期更复杂的校正方法更有效。

写研究基础时,可以明确说公共队列支持未经完整混杂调整的组织关联,下一阶段将通过更完整的临床资料进行验证。这样既保留已有证据,也指出了新研究需要解决的缺口。把所有限制隐藏起来,反而会让实验设计缺少针对性,因为读者无法知道后续采样究竟要补什么。

运行后应该核对什么

先确认年龄缺失表与原始注释一致,再确认患者内部模型只使用有年龄的患者。检查病变范围是否包含多个水平,以及实际进入模型的样本数量。不要把因缺失而被排除的样本悄悄算进有效样本量。模型表中的P值只能在当前模型与样本范围内解释,不能用来证明临床因素与候选之间存在因果关系。

本篇的关键产出是缺失信息审计和一个范围清楚的患者内部探索。下一篇将检查阈值和个别样本影响,进一步说明“结论稳定”需要具体到哪些选择,而不是笼统写一句进行了稳健性分析。

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09讲:换一批数据还成立吗?手把手做独立队列验证。

下一篇第11讲:换个阈值结论就变了?用敏感性分析检查结果稳定性。

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 ↗