1. 临床表型建模工程导论

临床表型建模工程，是把“患者的分子层面信息”与“可观察的临床结局”连接起来的一门工程学科。它的目标不是单纯训练一个模型，而是构建一条从样本采集、组学测量、数据治理、特征构造、模型训练、验证评估到临床落地监控的完整可复现链路。理解这条链路，是后续所有章节的基础。

一、多组学数据在临床表型预测中的角色

临床表型是患者可被观察、测量或记录的状态与结局，例如疾病亚型、药物响应、生存时间、复发风险、免疫治疗应答等。多组学数据则从不同分子层次刻画同一份样本：

• 基因组（WGS/WES/panel）：提供胚系与体细胞变异，如 EGFR L858R、BRCA1 截断突变、肿瘤突变负荷（TMB）。
• 转录组（RNA-seq）：反映基因表达、融合基因与可变剪接，如 ALK-EML4 融合、PD-L1 表达水平。
• 表观组（甲基化、ATAC-seq）：刻画调控状态与染色质可及性，常用于肿瘤分型与早期筛查。
• 蛋白组与代谢组：更接近功能表型，如血清蛋白标志物、代谢通路活性。
• 临床与影像数据：提供分期、年龄、实验室指标、影像组学特征，是表型标签的直接来源。

不同组学并非简单叠加。它们之间存在“层次—功能—表型”的因果与相关关系：基因组变异影响转录与表观状态，进而改变蛋白与代谢，最终表现为临床表型。建模时若忽略这种层次结构，容易把冗余相关误当作独立证据。因此，多组学建模的核心挑战是：如何在样本量有限、维度极高、批次效应显著、缺失模式复杂的条件下，稳定地估计分子特征与临床表型之间的关系。

二、工程化建模的完整生命周期

工程化建模强调“可复现、可审计、可迭代”。一个完整的生命周期通常包含以下阶段，且每个阶段都有明确的输入、输出与质量门禁：

1. 问题定义与标签工程：明确预测目标（分类/回归/生存）、标签来源、随访窗口与删失规则。例如“预测 12 个月内复发”需要定义复发事件、随访截断与阴性样本的确认方式。
2. 样本与数据获取：确定纳入排除标准、样本类型（肿瘤组织/血液/ctDNA）、测序平台与临床数据字段。
3. 数据治理与质控：包括样本去重、批次记录、缺失率过滤、低质量样本剔除。例如 RNA-seq 要求 RIN ≥ 7，WES 要求平均深度 ≥ 100×。
4. 预处理与特征构造：变异注释、表达标准化（如 TPM 或 log2(CPM+1)）、甲基化 β 值、通路打分（如 ssGSEA）、临床变量编码。
5. 特征选择与降维：在高维小样本下，常用方差过滤、单变量筛选、LASSO、PCA 或先验通路约束。
6. 模型训练与调参：选择合适模型（正则化回归、随机森林、梯度提升、生存模型），并用嵌套交叉验证避免信息泄漏。
7. 验证与评估：内部交叉验证、独立外部验证、校准与决策曲线分析。分类常用 AUC、F1，生存常用 C-index。
8. 部署与监控：模型固化、版本管理、输入分布漂移监测与再训练触发条件。

需要特别强调的是：数据泄漏是临床表型建模最常见的失败原因。特征选择、标准化、缺失填补都必须在训练折内完成，否则交叉验证结果会严重高估。工程化的意义就在于把这些约束固化为流程，而不是依赖个人经验。

三、课程项目与数据对象说明

本课程以一个贯穿全程的示例项目为载体：基于多组学数据预测肿瘤患者对免疫检查点抑制剂（ICI）的响应。项目数据对象包括：

示例参数仅用于教学演示：假设队列规模约 n=300，响应率约 25%，表达矩阵约 20,000 个基因，甲基化位点约 450,000 个。这些数字用于说明高维小样本的现实约束，并非真实实测结果。

四、从“能跑通”到“可信赖”

初学者常把建模等同于“调用一个算法”。但在临床场景中，模型的可信度取决于数据质量、流程规范与验证严谨性。一个 AUC 很高的模型，如果特征选择用了全量数据、外部验证缺失、校准曲线偏离，就不能用于临床决策。因此，本课程会反复强调三件事：

• 标签是否可靠：响应评估标准是否统一，随访是否完整，阴性样本是否被正确确认。
• 流程是否可复现：随机种子、版本、参数、数据切分是否记录并可重跑。
• 评估是否贴近临床：除了 AUC，还要看校准、决策曲线与亚组表现。

接下来的章节将沿着这条生命周期逐步展开：从数据对象与质控，到特征工程、模型选择、验证设计与部署监控。每一章都会给出可操作的示例参数、代码片段与判断依据，帮助你把“多组学数据”真正转化为“可用于临床表型预测的工程系统”。