📚 课程目录第1章多组学概述

1、多组学概述：什么是多组学、组学数据类型、质控在组学研究中的重要性

1.1 什么是多组学？

多组学，说白了就是把生物体不同层面的数据拉到一起看。你想想看，一个细胞里既有DNA序列，又有RNA表达，还有蛋白质和代谢物——它们之间可不是各干各的。

我个人习惯把多组学理解成“打通数据围墙”。基因组告诉你“可能发生什么”，转录组告诉你“正在准备什么”，蛋白组告诉你“正在执行什么”，代谢组告诉你“已经变成了什么”。把这四层串起来，才能看清生物系统的全貌。

我记得刚接触多组学的时候，还在纠结“光测个转录组不就够了吗”？后来在一个肿瘤项目里，某个基因的mRNA表达量翻了好几倍，但对应的蛋白根本没变。你看，只看单一组学很容易被带偏。

    核心认知： 多组学不是多个组学数据的简单堆叠，而是通过交叉验证和网络分析，找到不同分子层面之间的因果关系。

1.2 组学数据类型

做质控之前，得先搞清楚我们面对的是什么样的数据。我按实验室常见层级梳理了一下：

组学类型	检测对象	常见平台	数据特点
基因组学	DNA变异、拷贝数	WGS、WES、SNP芯片	大文件、低动态范围、离散型
转录组学	mRNA、lncRNA、miRNA	RNA-seq、microarray	高动态范围、计数型、稀疏
蛋白质组学	蛋白表达、修饰	质谱、Olink、SomaScan	缺失率高、动态范围极高
代谢组学	小分子代谢物	LC-MS、GC-MS、NMR	批次效应强、半定量为主
微生物组学	菌群组成、功能基因	16S rRNA、宏基因组	稀疏性高、组成型数据

为什么这个表很重要？ 因为不同数据类型，质控的坑完全不一样。比如RNA-seq的低表达基因过滤，跟质谱蛋白的缺失值处理，经验上八竿子打不着。我在一个整合分析项目里吃过亏——拿转录组的过滤标准直接套在蛋白组上，结果差点把关键标志物全洗掉了。

再来看一组实际的质控数据格式。我这里拿一个典型的RNA-seq表达矩阵举例：

GeneID  Sample1 Sample2 Sample3 Sample4 Sample5
ENSG1   120     45      0       230     89
ENSG2   0       12      156     34      0
ENSG3   890     1023    765     1200    980
ENSG4   0       0       2       0       1
ENSG5   340     278     410     550     321

你看，这矩阵看着简单，但3号样本的缺失模式就已经暴露问题了——4号基因在大多数样本里都是低表达甚至零表达，但如果你不做过滤，这些零值会严重拖垮下游相关性分析。

1.3 质控在组学研究中的重要性

做组学这么多年，我最大的感悟就是：质控不是流程的第一步，它是整个研究的脊梁骨。

为什么会这么说？单组学数据的信噪比本身就够呛。你想想看：一个RNA-seq实验，从组织采集、RNA提取、建库、测序到定量，每一步都在往数据里加噪声。如果你不做质控，最终拿到的差异表达基因，里面有一半可能只是技术噪音。

多组学更是如此——一个组学里的假阳性，到了整合分析里会被放大。我曾经遇到过一个案例：某个蛋白组学数据集的批次效应没处理好，结果跟转录组做关联分析时，硬生生造出了一个完全不存在的新通路。嗯，这种坑我踩过一次就再也不敢大意了。

我的经验法则： 在每个组学数据进行整合之前，至少经过三个质控关卡——
1️⃣ 原始数据层：碱基质量、比对率、测序深度
2️⃣ 表达/定量层：缺失率、分布形态、批次效应
3️⃣ 样本层：离群样本、性别验证、混淆检测

那质控到底看哪些指标呢？我结合多组学整合的经验，整理了几个关键维度：

数据完整性：每个样本的捕获基因/蛋白/代谢物数量是否在合理范围？
技术重复性：重复样本之间的相关性是否达到预期（通常要求R² > 0.95）？
批次效应：主成分分析中，PC1/PC2是否按实验批次聚集而非生物学分组？
离群样本：基于多维度距离（如Mahalanobis距离）识别出离群值
跨组学一致性：DNA表达与RNA表达、RNA表达与蛋白丰度之间是否存在合理关联？

这里我拿一个实际项目的QC报告片段给你们看看——这也是我们在课上经常分析的案例模板：

===== 多组学QC摘要 =====
项目：BRCA_Cohort_2024
类型：RNA-seq + Proteomics

[RNA-seq]
样本总数：48
通过QC：45
剔除：3（1个低比对率 <65%，2个性别不匹配）

[Proteomics]
样本总数：48
通过QC：42
剔除：6（2个缺失率 >40%，4个明显批次效应）

[整合验证]
mRNA-蛋白相关性（中位数）：0.38
一致性样本对：40/42（95.2%）

离群风险：样本BRCA_022在RNA和蛋白层面均大幅偏离群组

你看，这份QC报告结构本身就有讲究。我们把每个组学的通过数量、剔除原因、和整合一致性都列清楚——尤其是那个“离群风险”的标注，是我做第一个多组学项目时自己加上的。因为只有单组学层面通过质控还不够，有时候某个样本在两个组学里都勉强及格，但拉到一起就看出来它根本不是同一批组织来源。

⚠️ 一个常见的质控误区： 很多人认为样本量够了就可以直接整合。千万别！我见过一个项目，500个样本的转录组和300个样本的蛋白组直接合并，结果发现250个共享样本里有80个存在批次不匹配——这些样本的质控得全部重做。记得，共享样本的质控一致性往往比单个组学的质控优先级更高。

好了，这章的核心脉络已经铺开了。从多组学的概念，到不同数据类型的质控差异，再到质控在整个研究中的基石地位——你想想看，如果在这第一步就出了问题，后面再炫酷的整合算法也只是在垃圾数据上跳舞。