📚 课程目录第4章 FDR控制原理概述

FDR 控制原理概述

为什么需要 FDR？——从统计检验说起

蛋白质组学实验一做就是几千个蛋白质的定量比较。每个蛋白质都得做一次假设检验。你想想看，如果一次实验测了 5000 个蛋白，哪怕我们设定 5% 的显著水平（p < 0.05），那也有 250 个假阳性会混进来。这还没完，实际数据里肽段匹配、定量误差、批次效应还会放大这个数字。

我最早做差异蛋白筛选时，老老实实用 Bonferroni 校正。结果呢？一个显著蛋白都没留下。不是数据不好，是 Bonferroni 太保守了——它把整个实验的假阳性率控制在 5%，换句话说，哪怕你只犯一次错误，它都不答应。这在基因组学里也许行得通，但在蛋白质组学里，我们更在意“找出来的蛋白里有多少是错的”，而不是“整个实验有没有犯任何错”。

所以，我们需要另一种思路：允许你犯一定比例的错误，只要错误比例可控。这就是 FDR（False Discovery Rate，错误发现率）的核心思想。

  核心区别一句话：
  FWER 控制“至少出现一个假阳性的概率”≤α；FDR 控制“被拒绝的假设中假阳性所占的比例”≤q。

FWER 与 FDR ——两种错误控制策略

先看一个具体的对比。假设我们做了 1000 个检验，真实情况是 800 个阴性、200 个阳性。用不同的校正方法，结果差别非常大：

维度	FWER（Bonferroni）	FDR（BH 方法）
目标	整个实验不出现任何假阳性	假阳性在阳性结果中占比≤q
阈值	α / m（m 为检验总数）	动态阈值（基于排序后的 p 值）
适用范围	小规模、高代价的发现	大规模、高通量筛选
假阳性数	严格 ≤1（α=0.05，m=1000 时）	允许几个到几十个（取决于 q 值）
统计功效	极低（尤其 m 大时）	较高
MaxQuant 默认	不采用	✅ 默认 FDR=1%

我个人习惯在预实验中先用 FWER 估算一下“最差情况”，但在正式分析时，几乎只用 FDR。为什么？蛋白质组学是 discovery-driven 的，你不可能指望每个候选蛋白都万无一失，但你需要对后续验证的成本有个预期——FDR 给你这个预期。

Benjamini-Hochberg 方法 —— 核心算法

BH 方法（Benjamini-Hochberg）是目前最通用的 FDR 控制算法。它不要求数据服从什么分布，只用 p 值的排序信息。流程是这样的：

把所有假设的 p 值从小到大排序：p₍₁₎ ≤ p₍₂₎ ≤ … ≤ p_(m)
对每个 i，计算临界值：threshold(i) = (i / m) × q
找到最大的 k，使得 p_(k) ≤ threshold(k)
拒绝所有 i ≤ k 的假设

简单说，就是画一条斜线：排名越靠前（i 越小），临界值越严格；越靠后，临界值越宽松。这个方法很聪明——它自动调整了多重检验的惩罚强度。

举个例子。假设我们测试 10 个蛋白，目标 FDR q=0.05：

Rank (i)    p-value    threshold (i/10 * 0.05)
1           0.001      0.005        → 拒绝
2           0.008      0.010        → 拒绝
3           0.020      0.015        → 不拒绝（p > threshold）
4           0.030      0.020        → 不拒绝
5           0.080      0.025        → 不拒绝
...
10          0.900      0.050        → 不拒绝

这里排第 3 的 p=0.02 已经超过了阈值 0.015，所以只拒绝前两个。对应的 FDR 估计值是：0.05 × 2 / 2 = 0.05，正好等于设定的 q。实际上 BH 方法给出的是 FDR 的保守上界。

实操经验： 在 MaxQuant 里，你不需要手动算这些。它内部对肽段、蛋白质、位点层面都做了 BH 校正。但你得理解：明明 p=0.02 显著，为什么没有被接受？因为有排名更靠后的 p 值“撑不住”这个阳性率。

FDR 在蛋白质组学中的特殊挑战

标准的 BH 方法假设所有假设检验是独立的。但蛋白质组学数据不是——同一蛋白的不同肽段高度相关，不同蛋白在通路上也有关联。这种依赖性会降低 BH 方法的准确度，让实际 FDR 略高于标称值。

我曾遇到一个案例：用标准 BH 方法在 q=0.01 下筛出 200 个差异蛋白，但后续 qPCR 验证时只对了不到 70%。后来检查发现，样本中有一个强表达蛋白的肽段几乎占了总谱数的 15%，导致很多弱信号的蛋白 p 值被压缩。这种情况靠 BH 已经救不了，需要更稳健的估计方法，比如 Storey 的 q-value 方法 或者 置换检验 + 基于峰值的 FDR 控制。

避坑提醒： 我见过有人把 MaxQuant 输出的 “Score” 直接当 p 值用，然后自己做 BH 校正。这是错误的！MaxQuant 的 Score 是经过特定转化和归一化的，不能当作标准 p 值。正确的做法是使用 MaxQuant 自带的 FDR 过滤（在 evidence.txt 和 proteinGroups.txt 里都有 "FDR" 列），或者用 peptides.txt 里的 "PEP"（Posterior Error Probability）列做二次过滤。

FDR 控制流程全景图

下面这张图总结了从原始图谱到最终 FDR 过滤的完整链，帮助你把刚刚讲的内容串起来：

我自己怎么做： 在 MaxQuant 的 mqpar.xml 里，我会先把 peptideFDR 和 proteinFDR 都设为 0.01。然后跑一次完整的鉴定。拿到结果后，用 evidence.txt 里的 "PEP" 列画一个分布图——如果 PEP 在 0.01~0.05 之间还有大量点堆叠，说明原始 FDR 可能被低估了，我会把阈值提到 0.5% 并检查下游生物学重复的一致性。

总结一下：FDR 控制不是一道死命令，而是一个决策框架。你今天了解 BH 方法的原理，就能读懂 MaxQuant 日志里那句 “Applied Benjamini-Hochberg FDR correction with threshold = 0.01” 到底在干什么。下次遇到差异蛋白少得可怜时，你也能判断——是数据本身没信号，还是 FDR 卡得太死该调整了。