3. 多组学数据模态与临床队列概览

多组学临床表型建模的第一步，不是急着跑模型，而是把“有哪些模态、每个模态测什么、临床队列怎么配、样本量够不够”这四件事对齐。基因组、转录组、蛋白组、代谢组、微生物组，再加上影像与电子病历，它们的时间尺度、组织来源、数据维度和缺失机制差异极大。如果队列设计阶段没有把这些差异纳入考虑，后续任何建模都只是在噪声上做拟合。

六类模态各自“测什么、什么时候测”

基因组（WGS/WES/芯片）反映的是胚系或肿瘤的相对稳定的遗传背景，一次采样即可，主要产出变异位点、拷贝数、突变负荷等特征。转录组（bulk RNA-seq 或单细胞）反映的是某一时刻组织或细胞的基因表达状态，对采样时间、组织部位、RNA 降解非常敏感。蛋白组（质谱或 Olink 等亲和法）测的是真正执行功能的分子，但动态范围大、批次效应强。代谢组（LC-MS/GC-MS 或核磁）捕捉的是下游小分子表型，与饮食、用药、昼夜节律强相关。微生物组（16S 或宏基因组）来自粪便、口腔、皮肤等部位，个体内随时间波动大，且高度依赖采样与保存流程。影像（CT/MRI/病理切片）与电子病历（诊断、检验、用药、随访）则是临床表型的直接来源，前者是空间结构信息，后者是纵向事件流。

关键判断是：哪些模态是“一次定终身”，哪些必须纵向重复采样。基因组通常一次即可；转录组、蛋白组、代谢组若研究的是治疗响应或疾病进展，往往需要基线+多个随访点；微生物组建议至少基线+一个随访点以估计个体内变异；影像与电子病历则天然是纵向的。这个判断直接决定样本量估算的复杂度。

临床队列设计的三种基本形态

第一种是横断面队列：在单一时间点采集所有模态，适合做“病例 vs 对照”的关联发现，例如比较某癌种患者与健康对照的代谢组差异。第二种是纵向队列：同一受试者在多个时间点重复采样，适合研究轨迹、治疗响应和因果方向，但成本高、脱落风险大。第三种是嵌套队列：在一个大临床队列中，按表型分层抽取一部分人做昂贵组学，例如从 5000 例电子病历队列中抽取 300 例做多组学。嵌套设计能在有限预算下保留临床终点，是多组学落地最常用的形态。

设计时还要明确分层变量：疾病亚型、治疗线数、年龄/性别、批次（采集中心、季节）。这些变量如果不提前记录，后期无法从数据中“补”回来。一个常见错误是把所有样本一次性送测，导致批次与疾病状态完全混杂，组学差异无法与批次效应区分。

样本量评估：从“够不够”到“怎么算”

样本量没有万能公式，但可以按目标拆成三类估算。第一类是差异表达/差异丰度：若预期效应量中等（如 log2FC≈1，标准化差异 d≈0.5），双侧 α=0.05、power=0.8，两组比较约需每组 64 例；若效应量更大（d≈0.8），每组约 26 例。第二类是分类/预测模型：经验法则是每个候选特征至少 10–20 个样本，且需独立验证集；若特征数上千，样本量不足会直接导致过拟合。第三类是纵向轨迹：需考虑重复测量相关性，通常用混合效应模型或 GEE 估算，脱落率按 20%–30% 上浮。

多组学联合时，样本量应取最严格模态的下限，而不是平均值。例如转录组需要 60 例、代谢组需要 40 例，则联合分析至少 60 例，且所有模态必须来自同一批受试者。若某些模态只能做子集，应在设计阶段明确“完整多组学子集”和“部分模态子集”的划分，避免后期样本不匹配。

模态、时间点与样本量的对应关系

下面的 SVG 把六类模态按“采样频率”和“典型样本量需求”放在同一张关系图中，帮助在队列设计时快速判断哪些模态可以一次采样、哪些必须纵向、哪些是样本量的瓶颈。

队列设计中的常见陷阱与检查项

第一，批次与表型混杂：如果所有病例在第一批测、所有对照在第二批测，组学差异无法与批次分离。应在设计阶段把病例和对照随机分配到各批次，并记录采集中心、日期、操作人。第二，样本类型不一致：血液、组织、粪便的组学特征不可直接合并，必须按样本类型分层分析。第三，缺失机制不明确：电子病历中的检验缺失往往不是随机的，而是与病情严重程度相关，直接删除会引入偏倚。第四，样本量只算一次：纵向研究要按时间点和脱落率重新估算，不能只用基线样本量。

一个可执行的检查清单是：主要终点是否明确？每个模态的采样时间点是否与终点对齐？样本量是否按最严格模态估算？批次是否与表型解耦？缺失机制是否记录？如果这五个问题都能回答，队列设计基本可用。

从队列到建模的衔接

队列设计完成后，应产出一份模态-样本-时间点矩阵，明确每个受试者在每个时间点有哪些模态、哪些缺失、缺失原因。这份矩阵是后续多组学整合建模的输入契约：任何模型都不能假设“所有模态在所有样本上都存在”。在样本量有限时，优先保证核心模态（如转录组+临床终点）的完整性，再考虑扩展模态。多组学不是模态越多越好，而是在样本量约束下，选择与终点最相关、缺失最少、批次最可控的模态组合。