生物标志物概念与多组学概览
大家好，欢迎来到这门课。我是你们的老朋友，做了十几年生物信息学，踩过的坑比走过的路还多。今天咱们聊聊最基础、但也最容易模糊的一个话题——生物标志物和多组学图谱。
很多人一上来就问我："我该用哪种组学找标志物？"说实话，这个问题没有标准答案。但如果你能先把"生物标志物"到底是什么搞明白，后面选平台、做整合时就清晰多了。
1.1 什么是生物标志物？
生物标志物，英文叫Biomarker，说白了就是一个可以客观测量、用来判断正常生理过程、病理过程或者药物反应的指标。你想想看，体温算不算？血压算不算？都算。但在分子层面，我们通常指基因、蛋白、代谢物这些东西。
我个人的习惯是把它分成三大类，这样在项目中好跟临床医生对齐口径：
| 分类 | 定义 | 例子 |
|---|---|---|
| 诊断型 | 用来判断有没有病 | PSA用于前列腺癌筛查 |
| 预后型 | 用来预测病情走向 | HER2阳性提示乳腺癌预后较差 |
| 预测型 | 用来预测患者对某治疗的反应 | EGFR突变预测靶向药疗效 |
1.2 生物标志物发现为什么这么难？
嗯，这里要泼点冷水。很多人觉得现在测序这么便宜，RNA-seq跑一批样本，差异基因一筛，标志物就出来了。真相是什么？90%以上在论文里报道的Biomarker，到独立验证队列里就翻车了。
为什么会这样？几个核心原因：
- 样本量太小——统计效力不够，假阳性满天飞
- 队列异质性——这组患者的Biomarker换个医院就不灵了
- 单组学局限——基因层面的变化不一定反映到蛋白和代谢上
我最早做的一个肺癌Biomarker项目，只用了转录组数据。结果在训练集AUC干到0.92，转了两家医院验证，直接掉到0.55。后来加了蛋白组和代谢组数据做整合，才勉强稳定在0.78。这就是为什么今天我们要讲多组学图谱。
1.3 多组学图谱是什么？
多组学图谱，你可以把它想象成一张多维度的分子全景照片。单看基因组，你只知道"可能发生什么"；看转录组，你知道"正在发生什么"；看蛋白组，你知道"谁在干活"；看代谢组，你知道"活干完了没有"。
我们做项目时，常把这几个组学串起来：
- 基因组学——DNA层面的变异、拷贝数变化
- 表观基因组学——DNA甲基化、组蛋白修饰
- 转录组学——mRNA、非编码RNA表达
- 蛋白组学——蛋白质表达、翻译后修饰
- 代谢组学——小分子代谢物
- 微生物组学——共生菌群组成与功能
1.4 多组学图谱与Biomarker发现的关系
咱们用一张图来把这层关系理清楚。这张图也是我个人做项目时一直贴在墙上的逻辑框架：
这张图我解释一下——核心逻辑是从多组学数据出发，经过整合分析缩小范围，最后锁定若干候选Biomarker，再到独立队列里验证。你注意右侧那个说明框，那是我自己血的教训。我见过太多团队，整合分析做得花团锦簇，最后却不做独立验证。结果怎么样？论文被拒，或者发出来后别人复现不了。
1.5 多组学项目的关键设计
做多组学Biomarker项目，实验设计比分析技巧重要得多。这里我列几条我自己的经验：
- 样本量要够——单组学最少30 vs 30，多组学至少50 vs 50起步
- 预留独立验证队列——从第一天就把样本分成发现集和验证集
- 多组学尽量用同一批样本——不同批次的样本引入的批次效应会让你生不如死
- 别忘了临床变量——年龄、性别、分期这些协变量，很多时候比分子特征还强
1.6 本章小结
这一章我们理清了几个最基础的概念：
- 生物标志物的三种类型——诊断、预后、预测，类型决定了你的分析策略
- 单组学的局限性——这是多组学图谱存在的根本原因
- 多组学图谱的六个主要维度——各有各的信息层次，整合起来才有全景
- 从多组学到Biomarker的核心流程——数据→整合→候选→验证
说一千道一万，Biomarker发现不是花式炫技。把基础打牢，把流程走通，比你会再多的机器学习模型都管用。下一章咱们开始逐个拆解每种组学的数据特点和分析要点，先从基因组学在Biomarker发现中的应用讲起。