3. 多组学数据模态与公共资源
在多组学靶点发现工程中，数据模态决定了我们能“看见”生物学过程的哪一层。基因组回答“可能发生什么”，表观组回答“哪些区域被允许发生”，转录组回答“正在被抄写什么”，蛋白质组回答“真正执行了什么”，代谢组则回答“执行之后产生了什么”。把这几层放在同一条信息流上理解，比孤立记忆数据库名称更重要。下图给出五种模态在中心法则链条上的位置、典型数据形态与常用公共资源之间的对应关系。
各模态的数据形态与工程含义
基因组数据最常见的三种形态是SNV/indel、拷贝数变异和结构变异。在靶点发现中，我们通常先关注编码区高频突变，再结合拷贝数扩增或缺失判断基因是否被“激活”或“沉默”。TCGA的WES和SNP array数据适合做跨癌种突变频率统计，但要注意其样本以原发肿瘤为主，转移灶和治疗后样本比例低，因此不能直接外推到晚期耐药场景。
表观组中，DNA甲基化450K/850K芯片和WGBS提供CpG位点水平，ATAC-seq提供染色质开放区域。一个常见工程动作是：从TCGA下载甲基化β值矩阵，用limma或minfi做差异甲基化分析，再把显著低甲基化且表达上调的基因列为候选。这里的关键判断是：甲基化与表达呈负相关才更可信，若同向变化则需排查批次或细胞组成混杂。
转录组是公共资源最丰富的一层。GEO和ArrayExpress中大量RNA-seq数据可免费下载，但直接合并不同平台、不同建库方式的样本会产生严重批次效应。实操中建议先用sva::ComBat_seq或removeBatchEffect校正，再用PCA确认校正后样本按生物学分组而非按数据集聚集。若PCA仍按GSE编号分离，说明批次未去除干净，此时应放弃合并，改用单数据集分析加独立验证。
蛋白质组和代谢组在公共资源中相对稀疏。CPTAC提供了与TCGA部分癌种配对的蛋白组和磷酸化蛋白组，适合验证“转录本变化是否传递到蛋白层”。一个典型判断是：若某靶点mRNA上调但蛋白未变，可能受翻译调控或蛋白降解影响，单靠转录组会高估其成药价值。代谢组方面，MetaboLights和UK Biobank的NMR/质谱数据可用于关联分析，但代谢物注释等级（Level 1-4）必须明确，Level 3以下只能作为假设生成。
资源选择与局限判断的实操要点
面对一个具体靶点问题，选择资源时可遵循以下判断顺序：先确认疾病和样本类型是否匹配，再检查组学层次是否覆盖目标分子，最后评估样本量和元数据完整度。例如研究“肺腺癌免疫治疗响应”，TCGA有转录组但缺乏治疗响应信息，此时应优先考虑GEO中带响应标注的GSE数据集，或用UK Biobank的用药记录做补充。
常见陷阱：GEO中同一GSE内不同样本可能来自不同中心、不同建库试剂盒，甚至不同物种版本。下载前务必查看characteristics_ch1字段和data_processing描述，确认样本可合并。若元数据缺失关键字段（如肿瘤分期、治疗状态），该数据集只能用于方法验证，不能用于临床相关性结论。
另一个关键局限是“多组学配对”并不等于“同一样本同一时间点”。TCGA中部分样本的基因组和转录组来自同一块组织，但蛋白组可能来自不同切片，甚至不同患者。做跨组学关联时，必须核对case_id和sample_id的对应关系，避免把不同个体的数据强行配对。工程上建议先构建样本映射表，字段至少包含：case_id、sample_id、aliquot_id、data_type、platform，确认配对成功后再进入下游分析。
可复用检查清单：① 疾病与样本类型是否匹配；② 组学层次是否覆盖目标分子；③ 样本量是否满足统计功效；④ 元数据是否包含关键临床变量；⑤ 批次信息是否可获取；⑥ 配对样本是否来自同一case_id；⑦ 数据使用是否涉及伦理或申请限制。七项中若有任意一项不满足，应在分析计划中明确降级使用或补充验证。
最后需要强调，公共资源是“起点”而非“终点”。TCGA、GEO、CPTAC、UK Biobank各自覆盖不同的生物学层次和人群范围，任何单一资源都无法独立支撑靶点从发现到验证的完整链条。合理的工程做法是：用TCGA做发现，用GEO做独立队列验证，用CPTAC确认蛋白层变化，用UK Biobank评估人群关联，最终在实验模型中完成功能验证。每一步都要记录数据版本、下载日期和过滤参数，保证分析可追溯。