4. 临床样本与元数据工程
在多组学临床转化研究中，样本与元数据是两条同等重要的主线。测序或质谱产生的组学数据只回答“分子层面发生了什么”，而临床表型、随访结局和样本处理历史回答“这些分子变化发生在谁身上、经历了什么处理、对应什么临床意义”。如果元数据缺失、口径不一致或时间点错位，再高质量的组学矩阵也无法支撑可靠的转化结论。本节围绕样本全生命周期，讨论如何把采集、处理、质控、临床表型和随访信息组织成可计算、可追溯、可复用的结构化数据。
一、样本全生命周期的对象与事件建模
样本工程的核心不是“记录一张表”，而是建立对象与事件的模型。建议把研究对象拆成四类实体：受试者（Subject）、就诊/访视（Visit）、样本（Specimen）、检测批次（Assay/Batch）。受试者承载人口学与诊断信息；访视承载时间点与临床表型；样本是从受试者某次访视中采集的物理实体，具有类型、采集时间、处理链；检测批次记录样本进入哪一次组学实验。四者通过稳定标识符关联，而不是靠姓名或住院号拼接。
标识符设计是首要工程决策。推荐采用分层编码：受试者用研究内唯一 ID（如 STUDY01-P000123），访视用 V01/V02 或相对时间（基线、治疗后 3 个月），样本用 受试者ID-样本类型-序号（如 P000123-BLOOD-01），等分试样再加后缀 -A1。这样即使样本经过多次分装、跨库转移，仍能通过前缀回溯到原始受试者与访视。
二、临床表型与随访信息的结构化
临床表型不能停留在自由文本病历中。结构化建模的关键是变量字典（Data Dictionary）与受控词表（Controlled Vocabulary）。每个字段应明确：字段名、中文含义、数据类型（数值/分类/日期/文本）、单位、允许值范围、是否必填、采集时间点。例如“吸烟史”不能只写“有/无”，而应拆为 smoking_status（never/former/current）、pack_years（数值，单位包年）、quit_years（数值）。分类变量必须绑定编码表，如 RECIST 疗效评价使用 CR/PR/SD/PD 四值，避免“好转”“稳定”等口语化描述进入数据库。
随访信息具有时间维度，建议采用长表（long format）存储：每一行是“受试者 × 访视 × 变量”，而不是每个访视一列。长表便于处理不等间隔随访、缺失访视和新增访视类型。关键随访字段包括：访视日期、生存状态、疾病进展日期、末次随访日期、死亡日期与原因。生存分析所需的 OS（总生存）和 PFS（无进展生存）应由原始日期字段计算得出，而不是手工填写，以保证可复核。
三、标准化采集流程与质控闭环
标准化采集流程应覆盖“采集前—采集中—采集后”三个环节。采集前确认受试者知情同意、访视窗口、样本类型与管材；采集中记录实际采集时间（精确到分钟）、采集量、抗凝剂类型、是否溶血；采集后立即记录处理开始时间、离心参数、分装管数与冻存位置。这些字段看似琐碎，却是后续判断批次效应和样本质量的关键协变量。
质控应设置明确的放行/拦截规则。以血液样本为例，可设定：RNA 样本 RIN ≥ 7.0 放行，6.0–7.0 标记为“可用但需备注”，< 6.0 拦截并触发重采评估；DNA 样本 260/280 在 1.8–2.0 之间放行；溶血指数超过阈值则记录并评估对表达谱的影响。质控结果不是一次性判断，而应写入样本状态字段，形成可追溯的状态机。
collected → processing → qc_passed / qc_flagged / qc_failed → stored → assayed → data_released。状态变更需记录操作人与时间戳，便于回溯。四、可落地的采集表单字段示例
下面给出一份可直接参考的样本与元数据采集字段清单（示例，字段可按研究方案裁剪）：
| 字段名 | 含义 | 类型/取值 | 必填 |
|---|---|---|---|
| subject_id | 受试者研究ID | 字符串 | 是 |
| visit_code | 访视编码 | V01/V02/… | 是 |
| specimen_id | 样本唯一ID | 字符串 | 是 |
| specimen_type | 样本类型 | 全血/血浆/血清/组织/尿液 | 是 |
| collect_datetime | 采集日期时间 | ISO 8601 | 是 |
| anticoagulant | 抗凝剂 | EDTA/枸橼酸/肝素/无 | 条件必填 |
| hemolysis_flag | 溶血标记 | none/mild/moderate/severe | 是 |
| processing_delay_min | 采集到处理间隔（分钟） | 数值 | 是 |
| freeze_thaw_count | 冻融次数 | 整数 | 是 |
| storage_location | 存储位置 | 库-架-盒-位 | 是 |
| qc_rna_rin | RNA完整值 | 数值（0–10） | 条件必填 |
| qc_dna_ratio | DNA 260/280 | 数值 | 条件必填 |
| qc_status | 质控状态 | passed/flagged/failed | 是 |
| assay_batch_id | 检测批次号 | 字符串 | 是 |
五、常见工程陷阱与规避
第一，时间口径不一致：有的字段记录“采集日期”，有的记录“入组日期”，计算生存时间时容易错位。应统一以 ISO 8601 存储，并明确每个时间字段的定义。第二，单位缺失：肿瘤大小、实验室指标必须带单位，否则跨中心合并时数值不可比。第三，缺失值语义混淆：应区分“未采集”“不适用”“受试者拒答”“失访”，而不是统一留空。第四，样本与受试者多对多关系：同一受试者多次访视、多个样本类型，必须通过中间表关联，避免在受试者表中直接塞入样本字段。
综上，临床样本与元数据工程的本质，是把“人—访视—样本—检测”四层对象用稳定标识符和受控词表连接起来，并在每个处理节点设置可判读的质控规则。只有元数据达到结构化、标准化、可追溯，多组学数据才具备临床转化的分析基础。