收益：
- 能够理解多重比较问题并在分析中包含 FDR（错误发现率）校正
- 能够通过一起评估 p 值和效应大小（log2 倍数变化）来区分统计意义和生物学意义
- 能够识别和避免批量效应和因果跳跃等高维数据陷阱
“组学”一词描述了测量细胞中一整类分子的方法：基因组学（所有 DNA）、转录组学（所有 RNA/基因表达）、蛋白质组学（所有蛋白质）、代谢组学（所有小分子）。这些测量的共同特点是它们的高维度：在单个样本中同时测量数千甚至数万个变量（基因、蛋白质），但样本数量通常很小（例如20名患者）。这种“变量多、样本少”的情况是生物学和人工智能最有帮助的领域所特有的挑战的根源。
在本单元中，我们将通过转录组学 (RNA-seq) 的示例讨论差异表达分析（查找两组之间表达显着变化的基因）以及人工智能在此工作流程中的作用。
高维数据的主要问题
如果你同时测试数千个基因，你会偶然发现看起来“显着”的基因，即使没有真正的差异。如果您以 5% 的误差范围测试 20,000 个基因，那么大约 1,000 个基因可能会偶然被证明是“重要的”。这称为多重比较问题，是组学分析最关键的陷阱。解决方案是修正p值（例如用Benjamini-Hochberg方法计算FDR——错误发现率）。人工智能对于解释这个概念和编写正确的代码非常有帮助；但您有责任记住进行更正。
提示：如果您在组学结果中看到“3,000 个基因发生显着变化”之类的数字，请务必警惕。这通常表明尚未进行多重比较校正。在精心设计的实验中，一个现实的列表将包含数十到数百个基因。
RNA-seq差异表达：一步一步
- 原始计数：包含每个样本中每个基因的读数数量的表。
- 质量和过滤：丢弃表达量非常低的基因。
- 标准化：纠正样本之间的文库大小差异（原始数字不可比较）。
- 统计模型：使用 DESeq2 或 edgeR（R 库）或 Python 中的 pyDESeq2 测试组差异。
- 多重比较校正：计算FDR；通常 FDR 的阈值 < 0.05。
- 效应大小：用 log2 倍数变化来评估：表达增加/减少的次数。
- 评论：将重要基因与生物途径相关联。
人工智能3-6。它对步骤进行编码，解释概念，并帮助您解释输出。然而，在没有看到原始数据的情况下，模型无法说出“哪个基因发生了变化”；代码和统计数据告诉你这一点。
可复制的提示模板
角色：您是转录组分析助理。背景：我有一个来自 12 个对照样本、12 个处理样本的 RNA-seq 原始计数表 (CSV)。任务：列出使用 pyDESeq2 进行差异表达分析的步骤，解释为什么每个步骤是必要的。第一是计划，第二是代码。确保包括多重比较校正。
我的分析输出显示 4,200 个基因的“p<0.05”。为什么这可能会令人怀疑？解释多重比较校正 (Benjamini-Hochberg FDR) 并给出执行正确过滤的 Python 代码。
编写代码，从差异表达结果表（gene、log2FC、padj 列）中绘制火山图。对 FDR<0.05 和 |log2FC|>1 的基因进行着色，标记前 10 个。
我如何分析这个重要的基因列表以富集途径？解释 gseapy 或 g:Profiler 步骤。不要在评论中声称绝对因果关系，使用相关性语言。基因列表：[列表]
弱提示/强提示
弱：“告诉我哪些基因对 RNA-seq 产量很重要。”
Strong：“我有来自 12 个对照、12 个处理样本的 pyDESeq2 输出：包含基因的表、log2FoldChange、padj 列。给出用 FDR<0.05 和 |log2FC|>1 阈值过滤重要基因的代码，报告它们的数量，并按效应大小对 20 个最强基因进行排名。然后解释为什么这些阈值是合理的。”
区别：强大的提示有实际的输出列、阈值和验证请求。该模型会处理您的数据，而不是生成虚构的基因名称。
三个迷你箱子
案例 1 — 未经校正的灾难：一个小组发现了 3,800 个未经校正且 p<0.05 的“显着”基因，并将其提交给出版物。当裁判要求 FDR 修正时，基因列表下降到 47 个。如果人工智能一开始就加入了Benjamini-Hochberg代码，这种尴尬就不会发生。教训：纠正是没有商量余地的。
案例 2 — 批次效应：在一项研究中，样品在不同的两天进行处理。他们认为的“患者与对照”差异实际上是“第一天与第二天”差异（批次效应：由于采样方造成的技术差异）。 AI 通过建议将批次变量添加到模型中（〜模型公式中的批次 + 条件）来帮助清除虚假信号。
案例 3 — 忽略倍数变化：一名学生宣称“最重要”的基因的表达量发生了 2% 的变化，但仅通过查看 p 值就发现该基因非常稳定。而效应大小 (log2FC) 几乎为零；统计学意义不是生物学意义。该模型解释了这种区别，并建议用火山图将其可视化。
比较表：概念清晰度
概念
含义
为什么它很重要？
p 值
差异是巧合的概率
单独可能会产生误导
罗斯福 (padj)
修正了多次测试中的错误率
限制误报
log2 倍数变化
效应大小
表明生物学意义
批次效应
技术批次差异
创建虚假信号
标准化
样本间尺度校正
使比较公平
常见错误
- 跳过多重比较校正：最常见和最严重的错误。
- 仅查看 p 值：请务必同时考虑效应大小 (log2FC)。
- 模型中不包括批次效应：将技术差异误认为是生物学差异。
- 忘记标准化：直接比较原始数字。
- 因果语言：说“这个基因导致疾病”；组学数据显示相关性，因果关系需要额外的实验。
注意：在高维数据中，“统计显着性”和“生物学显着性”是两个不同的东西。人工智能产生的基因列表是一个初步假设；如果没有通过独立方法（qPCR、蛋白质测量）验证，每个候选基因不应被认为是确定的。
尺寸减小和质量控制
在高维数据中要做的第一件事是查看样本的一般结构。 PCA（主成分分析：将数千个变量减少为几个汇总轴并以二维方式显示它们）是执行此操作的标准工具。如果您期望的组（对照组/治疗组）在 PCA 图中是分开的，那就很好；但如果样本按“处理天数”而不是按组进行聚类，则这是批次效应警告。同一张图表还立即显示了一个异常值（失败）的示例。
从我的标准化表达表（行基因，列样本）中绘制 PCA。按组（对照/处理）对样品进行颜色分类，按加工批次进行形状分类。评论图表中是否出现批次效应或异常值模式。
这个启发式步骤推动了分析的其余部分：尽早发现异常值比在虚假结果上浪费数月时间要好。
单细胞数据：新维度
近年来，单细胞 RNA 测序（单细胞 RNA-seq：测量数千个单个细胞的表达谱）已变得普遍。这里的数据变得更大：数以万计的细胞，每个细胞有数千个基因。 Scanpy (Python) 等工具处理这些数据；对细胞进行聚类并识别细胞类型。人工智能为该工作流程编写代码，但细胞类型的生物命名法（无论簇是“T 细胞”还是“巨噬细胞”）依赖于标记基因和专业知识。请务必确认模型分配给具有已知标记的簇的细胞类型标签；这是单细胞分析中最常被误解的步骤。
开放数据和再现性
大多数组学研究将其数据上传到公共存储库：用于基因表达的 GEO（基因表达综合）和 ArrayExpress、用于原始序列的 SRA（序列读取存档）、用于蛋白质组学的 PRIDE。这很重要，以便其他人可以验证您的结果，并且您可以重新分析其他研究的数据。 AI 可以编写代码（使用 GEOparse 等工具）来下载和组织来自 GEO 注册号（例如 GSE 号）的数据；但一定要从原始记录中阅读并确认您下载的数据的设计（有多少组、多少次重复、哪个过程）。如果模型声称“记住”研究的设计，那么这几乎总是需要验证的猜测。
总之
组学数据以小样本量测量数千个变量；这就造成了多重比较、批次效应和过度解释的陷阱。人工智能;它编写差异表达分析的代码，解释概念，并帮助您解释结果。但是，您有责任应用 FDR 修正、评估效应大小并避免使用因果关系语言。在通过独立方法验证之前，候选基因只是假设。
应用任务
获取或创建示例差异表达结果表（gen、log2FC、padj）。让 AI 编写代码，通过 FDR<0.05 和 |log2FC|>1 进行过滤，报告重要基因的数量，并绘制火山图。运行代码。然后让模型计算如果没有进行校正，有多少基因会显得“显着”，并解释差异。
清单
- [ ] 我应用了多重比较校正 (FDR)。
- 我评估了效应大小 (log2FC) 以及 [ ] p 值。
- [ ] 我检查了批次/技术变量。
- [ ] 我没有跳过标准化步骤。
- [ ] 我使用了相关性而非因果性的语言。
- [ ] 我将候选基因标记为需要证实的假设。