阈值设定的统计基础：均值、标准差、分位数与假设检验
说到阈值设定，很多人上来就拍脑袋给个数。比如“我觉得p-value小于0.05就行”，或者“fold change大于2就留下”。这种做法，说白了就是碰运气。我见过太多项目，就因为阈值设得不合理，后期验证死活重复不出来。
这一节，咱们把统计基础打牢。均值、标准差、分位数、假设检验——这四个东西，是阈值设定的四根柱子。你不用成为统计学家，但得知道它们各自能解决什么问题，又有什么坑。
均值与标准差：描述你的数据长什么样
均值就是平均值，这个大家都懂。但我想强调一点：均值只有在数据分布对称时才靠谱。
记得我之前处理一个代谢组学的项目，原始数据里有个物质的浓度分布严重右偏——绝大多数样本在0.1附近，少数几个样品飙到100以上。这时候算均值，直接被那几个高值拉到了15。这数字能代表什么？什么都代表不了。
标准差，衡量的是数据的离散程度。我个人的习惯是：在探索阶段，先用“均值 ± k × 标准差”作为初步筛选范围。k 取多少？看数据质量。
- 数据质量高、技术误差小：k 可以取 2 或 3，对应 95% 或 99.7% 的数据点
- 数据波动大、存在批次效应：k 取 4 甚至 5，避免把真实信号误杀
- 单组学差异大（比如蛋白组 vs 基因组）：标准差的使用方式完全不同，要分开看
这里给个Python示例，演示怎么用均值和标准差快速定一个“初筛边界”：
import numpy as np
def mad_based_outlier(data, k=3.5):
# 先用中位数和MAD，更稳健
median = np.median(data)
mad = np.median(np.abs(data - median))
lower = median - k * mad
upper = median + k * mad
return data[(data >= lower) & (data <= upper)]
# 模拟一组质控数据
qc_peptide_intensity = np.random.normal(1e6, 2e5, 1000)
filtered = mad_based_outlier(qc_peptide_intensity)
print(f"原始数据点: {len(qc_peptide_intensity)}")
print(f"过滤后数据点: {len(filtered)}")看到没？这里我没直接用标准差，而是用了MAD（中位数绝对偏差）。为什么？MAD对异常值的抵抗力更强，在质控场景里更实用。这算是一个小技巧吧。
分位数：不看形状，只看顺序
分位数的好处是：不需要假设数据符合任何分布。你只管把数据从小到大排好，第 p 百分位就是那个位置上的值。
我在多个项目里最喜欢用的是这个方法：
- 下界：Q1 - 1.5 × IQR
- 上界：Q3 + 1.5 × IQR
这里的 IQR = Q3 - Q1。超出这个范围的点，通常被视为“温和异常值”。如果你想更严格，可以用 3 × IQR 作为“极端异常值”的门槛。
举个例子，在蛋白质组学的质控中，我经常用分位数来定义“肽段鉴定数量”的阈值。如果一个样品的鉴定数低于 Q1 - 1.5 × IQR，我一般会标记为可疑，建议重新处理或剔除。
下面这个对比表，可以帮助你理解什么时候用分位数，什么时候用均值±标准差：
| 指标 | 适用场景 | 局限性 |
|---|---|---|
| 均值 ± 标准差 | 数据近似正态分布，技术重复性好 | 受异常值影响大 |
| 中位数 ± MAD | 数据有异常值，分布不对称 | 计算稍复杂，解释性不如均值和标准差直观 |
| 分位数（IQR） | 任意分布，鲁棒性强 | 样本量太小时不可靠 |
假设检验：你的阈值有没有统计依据？
设定阈值不是一拍脑袋的事。你得能回答：凭什么这个值就是边界？
假设检验可以帮你给出一个量化的答案。在质控中，最常用的是这两种：
- t 检验：比较两组均值是否有显著差异。比如，对比“通过质控”和“未通过质控”的样本，看看某个指标是否有区分度
- 卡方检验：检验分类变量（比如“通过/未通过”）与某个因素是否独立
我自己的做法是：先用假设检验验证“这个阈值真的有区分能力”，然后再把它固化到流程里。
举个例子。有一次，我想用“总离子强度”作为质控指标。我随手设了一个阈值——总离子强度小于 1e7 的标记为不合格。但后来我用 t 检验对比了“标记为合格”和“标记为不合格”两组样本的后续分析效果，发现 p = 0.34，表明这个阈值并没产生实质性的区分效果。
这就是问题所在：阈值设定之后，必须验证它是否真的有用。否则就是自欺欺人。
四种方法的逻辑关系图
把上面这四个概念串起来，就构成了阈值设定的完整思路。我画了一张逻辑图，你可以直观地看到它们是怎么配合的：
从图中可以看到：描述性统计和推断性统计不是互斥的，而是前后衔接的。先用均值和分位数摸清数据的“脾气”，然后用假设检验验证你的判断是否站得住脚。
一句话总结
阈值设定不是选择题——你不需要在“均值±标准差”和“分位数”之间二选一。真正的好做法是：先用分位数法圈定大致范围，再用假设检验验证这个范围是否真的有区分度。如果验证通不过，就回去调参数，直到找到那个既有统计意义又有生物学意义的边界。
我以前踩过不少坑。最惨的一次是设了一个看起来“严格科学”的阈值，花了两周做完所有样品的质控标记，结果发现标记为“不合格”的那些样品在后续分析中表现一点都不差。从那以后，我就把“假设检验验证”固化为流程中的固定步骤了。