3. 多组学数据模态与验证对象
在多组学生物标志物验证工程中，最先需要厘清的不是“用哪种统计方法”，而是“手里这条标志物到底来自哪一层组学、它的原始测量尺度是什么、它适合被哪种验证策略承接”。同一句“某标志物在病例组升高”，在基因组、转录组、蛋白组、代谢组和表观组中，其数据类型、噪声结构、动态范围和可重复性差异极大。若把五类模态的标志物混在同一个验证框架里直接比较，往往会在样本量估算、阈值设定和结果解释上出现系统性偏差。
五类模态的数据类型与测量尺度
基因组标志物的典型对象是胚系变异（SNV、InDel、CNV）和体细胞突变。其测量尺度以二分类或计数为主：某个位点是否突变、突变等位基因频率（VAF）、拷贝数状态。这类标志物在技术层面高度稳定，DNA 可从血液、唾液或石蜡组织中提取，重复检测一致性好，因此非常适合作为分型标志物或风险分层标志物。但它的信息量受限于“每个样本每个位点只有一个状态”，在连续型预测模型中往往需要组合多个位点形成多基因风险评分（PRS）。
转录组标志物以 mRNA、lncRNA、circRNA 的表达量为主，测量尺度是连续型计数（raw counts）或归一化后的 TPM/FPKM。它的动态范围可达 5～6 个数量级，能反映细胞状态和通路活性，但受样本采集时间、RNA 降解、批次效应影响明显。转录组标志物适合做诊断/预后模型，但验证时必须关注平台间归一化差异，例如 RNA-seq 与芯片之间不能直接套用同一阈值。
蛋白组标志物包括血浆蛋白、组织免疫组化指标和翻译后修饰。其测量尺度多为连续型荧光/吸光度信号或半定量等级（如 IHC 的 0/1/2/3）。蛋白组与表型距离最近，但检测动态范围受抗体亲和力和质谱灵敏度限制，低丰度蛋白常出现“缺失值”。因此蛋白标志物验证时，缺失机制本身就是一个必须评估的变量。
代谢组标志物是小分子（氨基酸、脂质、有机酸等），测量尺度为连续型质谱峰面积或浓度。它直接反映代谢状态，对饮食、用药、昼夜节律极其敏感，个体内变异大。代谢组标志物适合做动态监测或药效标志物，但验证队列必须严格控制空腹状态和采样时间窗。
表观组标志物以 DNA 甲基化（β 值，0～1 连续）、组蛋白修饰和染色质可及性为主。甲基化 β 值具有双峰分布特征，且随年龄呈规律性漂移。这类标志物在肿瘤早筛中表现突出（如 cfDNA 甲基化），但验证时需区分“组织特异性甲基化”与“血液背景甲基化”，否则会出现假阳性。
测量尺度如何决定验证策略
测量尺度直接决定统计模型的选择。基因组标志物若以“突变/野生型”二分类呈现，验证时通常采用 Logistic 回归计算 OR 值，或用 Kaplan-Meier 与 Cox 模型评估无进展生存期；若以 VAF 连续值呈现，则需考虑其偏态分布，常先做 logit 变换。转录组和代谢组的连续型数据，验证时优先使用线性模型或混合效应模型，并检查残差正态性；若表达量明显右偏，可先做 log2 变换。蛋白组 IHC 的 0/1/2/3 有序分类，应使用累积 Link 模型或将其二值化后分析，避免直接当连续变量处理。表观组 β 值虽为连续，但呈双峰分布，验证时常用 M 值（logit 变换）替代 β 值，以改善模型假设。
验证适配性评估的六个维度
判断一条标志物是否适合进入验证阶段，建议从以下六个维度逐项评估：
- 分析稳定性：同一标本重复检测的变异系数（CV）。基因组 CV 通常 <5%，代谢组可能 >15%。
- 动态范围：能否区分低、中、高表达样本。转录组和代谢组动态范围大，但低丰度区噪声也大。
- 缺失机制：缺失是完全随机（MCAR）、随机（MAR）还是非随机（MNAR）。蛋白组低丰度缺失常为 MNAR。
- 样本量需求：基于预期效应量和方差估算。代谢组标志物通常需要 200 例以上验证队列。
- 阈值可迁移性：同一阈值能否从发现队列迁移到验证队列。基因组阈值迁移性最好，代谢组最差。
- 临床可解释性：标志物是否对应明确生物学过程，能否指导干预决策。
一个可执行的适配性评估示例
假设某研究团队发现了一个由 12 个基因组成的转录组风险评分，计划在 300 例独立队列中验证。评估过程如下：首先确认评分基于 RNA-seq counts，验证队列也使用 RNA-seq，平台一致，阈值可迁移性较好；其次检查发现队列中评分与批次的相关性，若批次效应显著，需在验证前用 ComBat 或 RUV 校正；然后估算样本量，若预期 HR=1.8，双侧 α=0.05，把握度 80%，按 Schoenfeld 公式约需 180 例事件，300 例入组可满足；最后检查缺失值，若个别基因 counts 为 0，需明确是生物学零还是技术零，并采用合适插补策略。只有这四步都通过，该评分才适合进入正式验证。
常见误区与规避
第一个误区是把不同模态的标志物直接合并建模而不做尺度统一。例如将基因组突变（0/1）与代谢组浓度（连续）直接放入同一随机森林，会导致连续变量主导分裂。正确做法是先分层建模，再在决策层融合。第二个误区是忽略个体内变异。代谢组和蛋白组标志物在同一个体不同时间点可能波动 20%～50%，若验证队列只采一次血，结果可能被采样时间掩盖。第三个误区是过度依赖单一阈值。表观组甲基化标志物在不同年龄组中基线不同，固定阈值会导致年轻组假阳性升高，应使用年龄校正后的 Z 分数。
综上，多组学标志物验证的第一步不是跑统计，而是先回答“这条标志物来自哪一层、测量尺度是什么、它的噪声和缺失结构如何”。只有把模态特性与验证设计对齐，后续的样本量估算、阈值设定和结果解释才有可靠基础。