2. 靶点发现的数据生态

靶点发现从来不是“找到一个基因”这么简单。它更像是在多组学证据之间建立一条可追溯的因果链：从遗传变异出发，经过转录、蛋白、代谢与表型层层传递，最终在临床人群中得到验证。理解这条链上每一类数据能回答什么问题、不能回答什么问题，是数据整合工程的第一课。

六类数据源各自回答什么问题

基因组数据回答“谁在因果上更接近疾病”。全基因组关联研究（GWAS）给出的是与疾病显著相关的单核苷酸多态性（SNP）位点，例如某位点风险等位基因携带者相比非携带者，2型糖尿病风险比值比 OR=1.15，P=3×10⁻¹²。GWAS 的价值在于遗传变异先于疾病发生，方向性明确，因此常被当作靶点因果证据的“锚点”。但 GWAS 位点绝大多数位于非编码区，需要借助表达数量性状位点（eQTL）等数据把变异映射到具体基因。

转录组数据回答“哪些基因在疾病组织中被异常开启或关闭”。以 RNA-seq 为例，常见输出是每基因的计数矩阵，经 DESeq2 或 edgeR 归一化后得到 log₂ 倍数变化与校正后 P 值。例如某炎症性肠病队列中，基因 IL23R 在病变黏膜中 log₂FC=1.8，FDR=0.002。转录组能反映组织与细胞类型差异，但它是相关性的，且受样本取材、批次效应影响明显。

蛋白质组数据回答“蛋白丰度、修饰状态和相互作用是否支持该靶点”。基于质谱的定量蛋白质组可给出蛋白丰度比值，例如某激酶在肿瘤组织中丰度上调 2.3 倍；磷酸化蛋白质组还能定位信号通路激活位点。蛋白是多数药物的直接作用对象，因此蛋白层面的证据对可成药性判断尤为关键。

代谢组数据回答“下游代谢物是否发生系统性改变”。代谢物是表型的近端分子，例如支链氨基酸升高与胰岛素抵抗相关。代谢组样本量通常较小、个体波动大，更适合作为机制佐证而非独立发现工具。

表型与临床数据回答“这些分子改变是否真的对应疾病表型、疾病进展或药物反应”。电子健康记录、影像、生存随访、临床试验终点都属于此类。它们是把分子证据转化为临床价值的最终裁判。

数据如何协同：一个可操作的整合思路

假设我们要为“类风湿关节炎”寻找新靶点。第一步，从 GWAS 汇总统计中取出 P<5×10⁻⁸ 的独立位点，用共定位分析（colocalization）判断该位点是否与附近基因的 eQTL 信号共享同一因果变异。若共享后验概率 H4>0.8，则把该基因纳入候选列表。第二步，在滑膜组织 RNA-seq 中检查候选基因表达是否差异，要求 |log₂FC|>0.5 且 FDR<0.05。第三步，用蛋白质组确认蛋白丰度变化方向与转录一致，避免“转录升高但蛋白不升”的假阳性。第四步，查看代谢组中相关通路代谢物是否同步扰动。第五步，在临床队列中检验该靶点表达水平与疾病活动度（如 DAS28 评分）或药物应答的相关性。

这个过程中，每一层数据都有明确的“通过/不通过”判据，而不是笼统地“综合判断”。整合工程的核心，就是把这些判据写成可复现的规则与阈值。

常见的数据陷阱与处理原则

• 批次效应：不同平台、不同中心的样本直接合并会产生假差异。转录组常用 ComBat 或 limma removeBatchEffect 校正，校正后需检查 PCA 是否按批次分离消失。
• 样本量与统计功效：GWAS 需要数万至数十万样本才能稳定检出中等效应位点；蛋白质组通常只有几十例，结论应视为假设生成而非确证。
• 方向一致性：若遗传证据提示某基因活性升高增加疾病风险，而转录组显示该基因在病例中降低，需要排查组织类型、细胞组成或负反馈机制，不能简单取平均。
• 缺失值与注释版本：基因 ID、蛋白 ID、代谢物 ID 在不同数据库间不一致，整合前必须统一到同一注释版本（如 Ensembl release 110、UniProt 2024_05），否则会出现“同一分子被当成两个对象”。

把六类数据放在同一张证据地图上，明确各自的位置与权重，才能避免“数据很多、结论很虚”的常见困境。下一阶段的工作，就是把这些分散的数据源接入统一的数据模型与计算流程。