2. 靶点发现的问题定义与可计算化

多组学靶点发现最常见的失败，不是算法不够先进，而是问题从一开始就没有被定义清楚。团队拿到一批转录组、蛋白组、甲基化数据后直接进入差异分析和网络建模，最后得到的候选基因既无法回答“它相对于什么疾病表型有效”，也无法说明“在什么条件下算成功”。因此，工程化的第一步是把疾病生物学问题翻译成一个可计算的任务：明确输入、输出、成功指标、约束条件和验证策略，并把它固化为项目章程。

一、从生物学问题到可计算任务的翻译

生物学问题通常是自然语言表述的，例如“寻找能区分早期阿尔茨海默病并具有干预潜力的靶点”。这句话包含三个隐含维度：人群与分层（早期 AD 患者 vs 认知正常对照）、可观测证据（哪些组学层、哪些样本类型）、可干预性（是否可被小分子或抗体调控）。可计算化就是把这些维度逐一映射为数据对象和数学对象。

一个实用的翻译框架是“四元组”：对象集 O、特征空间 X、标签/表型 Y、决策函数 f。以“寻找早期 AD 血液可干预靶点”为例：O 是受试者集合，X 是外周血 PBMC 转录组 + 血浆蛋白组 + 临床变量，Y 是诊断标签与认知评分，f 是从 X 到候选靶点排序的映射。只有当 O、X、Y 都能被具体数据表描述时，问题才真正可计算。

二、输入、输出与任务类型的确定

输入定义要落到数据契约层面，而不仅是“用转录组数据”。需要明确：样本量、组学层数、每层的特征维度、缺失率上限、批次来源、是否允许使用公共数据作为外部验证。例如一个可执行的数据契约可以写成：训练集 120 例（AD 60 / 对照 60），转录组 18,000 基因，蛋白组 1,200 蛋白，缺失率 < 20%，批次效应已用 ComBat 校正，外部验证集 80 例来自独立队列。

输出定义决定后续所有评估方式。靶点发现任务的输出通常有三类：排序列表（按可干预性打分排序的候选靶点）、分类/预测模型（输出疾病概率）、因果图或调控网络（输出靶点与表型之间的方向性关系）。不同输出对应不同的成功指标：排序任务看 top-k 富集与命中率，预测任务看 AUC 与校准度，因果任务看边方向一致性与干预实验可复现性。

三、成功指标与约束条件的量化

成功指标必须在建模前锁定，否则容易在结果出来后“挑一个好看的指标”。对于排序型靶点任务，建议同时设定统计指标和生物学指标：统计上要求 top-20 候选在独立验证集中的富集倍数显著高于随机（置换检验 p < 0.05）；生物学上要求至少 3 个候选有已知可成药结构域或已有药物关联证据。对于预测型任务，除 AUC 外还应报告校准曲线和决策曲线，避免高 AUC 但临床无净获益。

约束条件往往比指标更能决定项目可行性。常见约束包括：样本量不足导致无法划分独立验证集、组学层之间样本不配对、批次与疾病状态混杂、以及可解释性要求限制深度模型的使用。把这些约束显式写入章程，可以在方法选择阶段就排除不可行路线，而不是在结果阶段才发现问题。

四、项目章程的落地字段

项目章程不是管理文档，而是技术契约。它应当包含以下可直接执行的字段：

五、验证策略与迭代闭环

验证策略要分层设计。第一层是内部验证：采用分层交叉验证保持病例对照比例，并用置换检验评估排序稳定性。第二层是外部验证：在独立队列上盲法评估，重点观察指标是否大幅下降，若 AUC 从 0.82 降至 0.63，说明模型过拟合或批次依赖严重。第三层是实验验证：对 top 候选进行 CRISPR 敲除或小分子扰动，观察疾病相关表型是否逆转。三层验证形成“计算—独立数据—实验”的证据链。

迭代闭环的关键是设定明确的回退条件。当外部验证未达标时，不应直接换模型，而应先检查问题定义：标签是否可靠、样本是否混杂、特征是否与表型有真实关联。很多情况下，回退到问题定义阶段比继续调参更有效。章程中应写明回退触发条件和回退后的修正动作，使迭代有据可依。

综上，靶点发现的问题定义与可计算化，本质上是把模糊的疾病生物学假设压缩成一组可执行的数据契约、任务类型、指标和约束。只有当这些要素被写入项目章程并对应到具体产物时，多组学分析才真正具备工程可复现性，后续的建模、验证和迭代才有稳定的基准。