课程导论：多组学质控阈值设定的意义与整体框架
1.1 为什么质控阈值这么重要
多组学数据，说白了就是基因组、转录组、蛋白组、代谢组这些数据放在一起分析。你想想看，每种数据来源不同、平台不同、噪声模式也不同。如果没有一套合理的质控阈值，那后续的分析结果可信度就大打折扣。
我个人习惯在项目启动时就先把质控框架搭好。阈值设得太松，低质量数据混进来，结果全是假阳性；阈值设得太严，好数据被砍掉，样本量不够，统计功效直接崩掉。这个度，就是质控阈值要解决的核心问题。
举个实际例子。我做过一个肿瘤多组学项目，转录组数据里有一批样本的比对率只有50%出头。当时团队里有人想把这些样本全删了，但我坚持先看分布——结果发现这批样本是某种罕见亚型，比对率低是因为参考基因组不完全匹配。如果按常规阈值一刀切，这个亚型就从分析里消失了。
所以你看，阈值设定这件事，既要懂统计，又要懂生物学背景，还得有工程落地的分寸感。
1.2 阈值设错，后果有多严重
我在这行干了十几年，见过太多因为阈值设错导致项目返工的情况。这里列几个常见坑：
- 假阳性爆炸：阈值设得太松，低质量片段被当成真实信号，差异基因列表里一半是噪声。
- 假阴性漏检：阈值设得太严，真实但信号弱的生物标志物被过滤掉，错过重要发现。
- 批次效应放大：不同批次数据质量分布不一样，用同一套阈值，结果好的批次被过度过滤，差的批次反而漏网。
- 可重复性崩塌：阈值设定没有记录和理由，换个人来做结果完全不一样，论文 reviewers 一质疑就哑口无言。
这些坑的本质是什么？就是没有把质控阈值当作一个决策问题来对待，而是当成了一个机械的过滤步骤。阈值设定不是拍脑袋，它需要结构化的框架来支撑。
1.3 整体框架：从原始数据到可靠结果
那怎么系统性地做这件事？我习惯把质控阈值设定拆成六个环节，形成一个闭环流程。下面这张图就是整体框架：
这六个环节构成了一个完整的闭环。我重点讲一下每个环节的核心要点：
- 原始数据采集：不同组学平台的数据格式和质量属性差异很大。基因组重测序关注深度和覆盖度，转录组关注比对率和基因数，蛋白组关注肽段鉴定数和定量重复性，代谢组关注峰强度和保留时间稳定性。搞清楚这些，是设定阈值的前提。
- 数据预处理：这一步容易被忽略，但恰恰是阈值设定的基础。缺失值填充、标准化、批次校正没做好，阈值算出来就是错的。
- 质控指标计算：每个样本或每个特征都要算出明确的质量数值，不能靠感觉。比如转录组里每个样本的比对率、检测到的基因数、rRNA占比等。
- 阈值设定策略：这是整个框架的核心决策环节。我常用三种方法结合——统计分布法（比如基于分位数）、经验规则法（参考领域共识）、自适应法（根据数据自身分布动态调整）。具体用哪种，取决于数据量和先验知识。
- 质控过滤执行：设定好阈值后，执行过滤并不只是简单的删数据。要记录删除了多少、为什么删除、删除前后的分布变化。这些信息在后续分析和论文撰写里会救命。
- 下游分析验证：这是很多人会跳过的步骤。过滤完一定要跑一轮下游分析，看看结果是否合理。如果差异基因列表里全是低表达的基因，那可能是阈值设得太松；如果一个显著的生物学通路被完全过滤掉了，那可能是阈值设得太严。
这个闭环不是走一遍就完事的。我在实际项目中，通常要迭代 2～3 轮才能达到稳定的阈值配置。
1.4 不同组学的质控指标速览
下面这个表格总结了四种主要组学类型最常用的质控指标和参考阈值范围。注意，这只是参考值，具体项目里要根据数据分布调整：
| 组学类型 | 核心质控指标 | 参考阈值范围 | 常见陷阱 |
|---|---|---|---|
| 基因组学 (WGS/WES) | 测序深度、覆盖度、比对率 | 深度 ≥ 30X，覆盖度 ≥ 90% | 忽略重复率对深度的影响 |
| 转录组学 (RNA-seq) | 比对率、检测基因数、rRNA占比 | 比对率 ≥ 70%，基因数 ≥ 10000 | rRNA占比高但比对率正常的情况 |
| 蛋白组学 (MS) | 肽段鉴定数、蛋白覆盖度、定量CV | 肽段 ≥ 2/蛋白，CV ≤ 30% | 只依赖肽段数，忽略定量稳定性 |
| 代谢组学 (LC-MS) | 峰强度、保留时间漂移、RSD | RSD ≤ 30%（QC样本） | 忽略批次内保留时间漂移 |
1.5 阈值设定的配置示例
在实际工程里，阈值设定通常用配置文件来管理，方便复现和版本控制。下面是一个 YAML 风格的配置示例，展示了多组学阈值设定的结构化方式：
# 多组学质控阈值配置文件
project: TCGA-LUAD # 项目标识
version: 2.3.1 # 阈值版本，每次调整都要递增
genomics:
min_depth: 30
min_coverage: 0.90
max_duplication_rate: 0.40
flag: "hard" # hard=严格剔除, soft=警告
transcriptomics:
min_mapping_rate: 0.70
min_detected_genes: 10000
max_rRNA_fraction: 0.10
flag: "soft"
proteomics:
min_peptides_per_protein: 2
max_cv_per_protein: 0.30
min_protein_coverage: 0.15
flag: "hard"
metabolomics:
max_rsd_qc: 0.30
min_signal_to_noise: 10
max_rt_drift: 0.05 # 分钟
flag: "soft"
# 全局设置
global:
min_sample_size_after_filter: 30
output_qc_report: true
iteration_log: true你可能注意到了，每个组学我都设了一个 flag 字段。这是我的习惯——hard 表示严格剔除，soft 表示警告但保留。这样可以在探索阶段先保留数据，等分析完再决定是否真的剔除。
1.6 本章要点
这一章我们主要铺了个底。总结下来就三个重点：
- 质控阈值不是小事情：它直接影响分析结果的可靠性和可重复性，是组学数据分析的基石。
- 阈值设定需要结构化的框架：我分享的六步闭环（采集→预处理→指标计算→策略设定→过滤执行→下游验证）是一个经过多个项目验证的通用流程。
- 不同组学要区别对待：基因组、转录组、蛋白组、代谢组的质控指标和参考阈值各不相同，不能一套参数走天下。