国自然生信实战20讲 · 第12讲 · 检查结论是否可靠

系列目录:国自然生信实战20讲(当前第12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
- 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(本篇)
- 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。
两组数据不一致,是需要解释的信息
在发现队列中看到一个明显变化,换一个队列却不再明显,是公共数据分析里常见的情况。最省事的处理是换掉验证集,直到结果一致;更有研究价值的做法是先明确“不一致”指什么,再检查数据、设计和人群。两项研究给出不同结果,不一定说明其中一项错误,也不一定意味着存在新亚型。
本篇承接第09篇,但不只展示固定面板中表现较好的基因。我们将发现与验证队列中共同测量的全部基因匹配起来,绘制效应散点,并区分方向相反、同方向且两边都达到统计阈值、同方向但证据不完整等情况。这样能避免只挑成功案例造成的过度乐观印象。
先把不一致分成不同类型
最轻的一种情况是方向相同、效应接近,但一项研究区间更宽,导致P值没有达到阈值。这可能主要反映样本量或噪声差异。另一种是方向相同,但大小相差明显,需要考虑测量尺度和人群差别。更强的冲突是两边方向相反且估计都较精确,此时应认真检查设计和假设。把这些情况全部叫作“没有验证成功”,会丢掉重要信息。

本系列中的TFF3提供了一个容易理解的例子:两个队列的点估计方向不同,但当前结果不足以支持强而稳定的整体组织变化。MUC2则在两个队列都没有显示明确的组间差异。它们与REG1A的情况不同,也不等于这些基因不参与上皮功能。统计结果对应的是当前组织比较,而不是一个基因所有可能功能的总判决。
| 表面上的“不一致” | 首先检查什么 | 可能采取的行动 |
|---|---|---|
| 同方向但只有一边显著 | 效应和区间、样本量 | 报告证据强弱差别 |
| 同方向但大小不同 | 平台、样本构成、动态范围 | 保留研究分层,谨慎比较 |
| 方向相反 | 注释、分组、组织和阶段 | 回查错误并评估真实异质性 |
| 一个队列缺少该基因 | 平台覆盖和映射 | 标记无法验证而非零表达 |
| 只有部分亚组支持 | 亚组定义是否预先规定 | 明确探索性质并另行验证 |
从最容易核查的技术问题开始
先确认比较方向一致,患者与对照有没有反过来;再核对基因名称和平台注释,是否把不同探针错误映射到同一符号;检查是否一项数据已经取对数,另一项却没有;最后核对纳入规则和样本对应关系。许多看似复杂的生物学冲突,最终来自这些基础问题。第03篇保存的整理记录在这里就派上用场。
如果技术过程一致,再看取材位置、活动状态、严重程度、治疗背景和研究招募条件。即使都叫结肠黏膜,具体取样部位和组织状态也可能不同。若这些信息未公开,应记录缺失,不要为了解释冲突而编造某项临床差别。一个可能解释只有在有资料支持时,才能从猜想走向更可信的判断。
用一个决策顺序处理冲突
遇到相反结果时,可以按四步推进。第一步核对标识与比较方向;第二步核对测量尺度和平台覆盖;第三步核对人群与取样条件;第四步才考虑新的生物学解释。这个顺序不是说技术问题一定比生物学问题多,而是因为前几步通常更容易被明确核实,能避免在一个简单错误上构建复杂故事。
如果发现某个基因由不同特异性的探针测量,不应只根据符号相同就认为两边测量完全等价。可以回到平台注释和原始探针结果,评估是否需要限制到更可比的测量。若无法解决,应在验证表中标记测量不确定性,而不是强行合并。数据对齐是一项科学判断,不只是字符串匹配。
若怀疑疾病阶段造成差异,需要有明确阶段信息,并检查各阶段是否有足够样本。事后把患者不断细分,直到找到一致亚组,会增加偶然发现的机会。探索亚组可以产生新假说,但应保存全部尝试并安排新的验证。没有独立支持时,不要把亚组结果写成已经确证的适用人群。
研究间差异还可能与表达范围有关。一个平台对高表达部分出现压缩,另一个平台测量范围不同,可能导致效应大小变化。即便都使用log2表达,也不能自动假设所有测量细节一致。因此,本系列选择并列报告而非机械合并,保留每项研究本来的信息。
最终,为冲突给出一个可执行行动:重新核查某项注释、补充一组匹配样本、开展特定定位实验,或者降低候选优先级。若只能写“还需更多研究”,说明分析尚未转化为决策。把缺少的信息说具体,才能判断后续工作是否真的有机会改变结论。
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篇两队列完整结果;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/12.R
脚本会把本篇表格和三张图写入results/12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(12);a<-load_de();b<-load_de("validation")
z<-merge(a[,c("gene","logFC","adj.P.Val")],b[,c("gene","logFC","adj.P.Val")],by="gene",suffixes=c("_D","_V"));z$category<-ifelse(sign(z$logFC_D)!=sign(z$logFC_V),"Opposite direction",ifelse(z$adj.P.Val_D<.05 & z$adj.P.Val_V<.05,"Same; both FDR<.05","Same; incomplete evidence"))
save_table(z,paste0(o,"/cross_study_audit.csv"))
fig(paste0(o,"/fig1.png"),{plot(z$logFC_D,z$logFC_V,pch=16,cex=.35,col=adjustcolor("#199C97",.35),xlab="Discovery log2FC",ylab="Validation log2FC",main="All shared genes, not only successful ones");abline(h=0,v=0,lty=2)})
fig(paste0(o,"/fig2.png"),{par(mar=c(6,5,3,2));barplot(table(z$category),col=c("#E78C49","#199C97","#A9BBC3"),cex.names=.7,ylab="Shared genes",main="Different kinds of disagreement")})
fig(paste0(o,"/fig3.png"),flow(c("Check phenotype and sampling site","Check mapping and measurement platform","Compare effects and uncertainty","Restrict the claim or collect a better cohort"),"Do not erase a contradictory study"))
为什么要展示全部共同基因
只展示REG1A、DUOX2等方向一致的候选,会让读者误以为两个研究整体完全一致。全部共同基因散点能够展示更完整的测量关系和分散程度,但也不是一张“质量评分图”。大量接近零的基因方向容易因噪声改变,不能简单用正负一致比例评价研究优劣。我们更关注重点问题的效应、测量和设计解释。

分类柱状图同样是描述性汇总。类别边界受FDR阈值影响,方向相反也可能只是两个很小的点估计。图中的数量帮助读者理解有多少种结果情形,不用于宣布某个队列可靠或不可靠。实际判断仍需回到基因层面的区间、样本分布与临床信息,避免从一个汇总比例得出过于宽泛的结论。
什么时候不应该直接合并效应
合并分析要求比较对象和效应尺度有足够可比性。本系列两个芯片平台的探针设计不同,处理和人群背景也不完全相同,因此主教程选择并列展示,未直接给出一个所谓综合疾病效应。合并可以减少某些统计不确定性,却无法消除共同偏差,也不能把不可比研究变成可比研究。
如果实际课题需要做荟萃分析,应先定义目标效应,核查队列独立性、尺度和标准误,再选择合适模型,并讨论研究数量少时异质性估计的限制。标准化效应并不是万能转换,它仍然受到各研究内变异构成影响。不能为了得到一个更小的P值而合并,也不能因为合并后显著就忽略各研究的冲突。

不一致如何帮助提出更好的问题
假设两项研究在取材或疾病阶段上存在已核实差别,一个新的问题可能是:候选关联是否受这些条件影响?这比笼统地要求所有队列一致更具体。不过,如果这种解释是在看到结果之后才提出,它属于探索性假说,需要额外资料检验。把事后解释写成事先预设的机制,会高估证据强度。
也可能得出一个更简单的判断:当前资料不足以稳定支持某候选。此时合理行动是保留有限证据、降低优先级,或安排更匹配的验证,而不是继续增加网络分析、预测模型和复杂图形来增强故事感。方法越多并不意味着独立证据越多,尤其当它们都来自同一张表达矩阵时。
给课题准备留下一份边界记录
本篇建议为每个重点候选建立一行记录:哪些研究支持、哪些不支持、已排查哪些技术问题、仍有哪些临床信息缺失、下一步什么资料能够改变判断。这份记录可以直接帮助团队决定实验顺序。若没有实验条件解决关键分歧,也应在研究计划中反映出来,而不是把资源平均分配给所有候选。
完成本篇后,我们已经走过组织层面的发现、功能解释、外部验证和稳健性检查。下一阶段进入单细胞资料,重点不是再做一轮“找显著”,而是回答组织信号可能来自哪里,并区分细胞组成变化与细胞内部状态变化。
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11讲:换个阈值结论就变了?用敏感性分析检查结果稳定性。
下一篇第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。
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。
