3. 质控失败的定义：阈值设定、统计异常检测、可视化初筛

大家好，我是老张。这节咱们聊聊一个挺基础、但实际上特别容易打架的问题——到底什么样的数据算质控失败？

我在刚带项目那几年，经常遇到一个场景：生信的同学拿着报告说“这批数据不行，QC没通过”，但实验的同学一看，“我觉得挺好的啊，就两个离群点丢了可惜”。你想想看，这其实不是数据的问题，是判定的标准没对齐。

所以这一章，我们把质控失败的定义拆开揉碎，分成三块来讲：阈值设定、统计异常检测、可视化初筛。

核心观点：质控失败不是一个二值问题，而是一个多维度决策过程。好的定义，能让你在数据质量和样本保留率之间找到平衡。

质控失败判定流程 原始数据输入 阈值设定 统计异常检测 可视化初筛 数据维度阈值 技术重复阈值 生物学意义阈值 Z-score / IQR MAD 离群检测 聚类 / PCA 投影 热图 / 箱线图 PCA Score 图 相关性热图 综合决策：判定质控失败 任一维度超出阈值 / 统计异常 / 可视化离群 提示：三个维度交叉验证，比单一指标更可靠

3.1 阈值设定：别拍脑袋，要拍数据

阈值设定是最直接、也最容易被人抬杠的做法。我见过不少项目，阈值就是「我觉得3倍标准差就差不多了」。嗯，说实话，很多时候这样也行，但不够严谨。

我个人习惯把阈值分成三层来思考：

  1. 数据维度阈值：比如测序深度、检测到的基因数、比对率、多肽数量。
  2. 技术重复阈值：重复样本之间的相关系数、CV值。
  3. 生物学意义阈值：内参基因的稳定度、spike-in回收率。

举个例子，我在一个蛋白质组学项目里遇到的情况：

# 一个简单的阈值设定逻辑（伪代码）
min_detected_proteins = 3000     # 低于这个数，样本不合格
min_correlation_replicates = 0.85 # 技术重复低于0.85，标记为异常
max_spikein_cv = 0.20            # spike-in CV 超过20%，重做

但你有没有想过，3000 这个数字是怎么来的？不是拍脑袋，是看历史数据的分布。我建议你用

历史项目的5%分位数
来做初始阈值，然后结合实际情况微调。

阈值类型 常用指标 我的经验值
数据维度 基因/蛋白检出数 全平台中位数的70%
技术重复 Pearson / Spearman >0.8（转录组）>0.9（蛋白组）
内参/Spike-in CV 或 回收率偏差 CV < 0.25，回收率 0.5~1.5

注意：阈值不要设得太死。样本量少的时候，5%分位数可能就只有一两个样本。我建议你至少要有 20-30 个历史样本才能设一个靠谱的阈值。

3.2 统计异常检测：让数据自己说话

阈值设定有一个明显的问题：它假设所有样本都是从同一个分布里来的。但实际项目里，样本间差异可能很大——不同批次、不同处理、不同组织类型。

这时候，统计异常检测就派上用场了。说白了，就是在同一批数据内部，找出那些「和大多数样本不一样」的样本。

常用的方法：

  • Z-score / IQR 法：最简单粗暴。Z-score 绝对值大于 3 的基本可以怀疑。
  • MAD（Median Absolute Deviation）法：比 Z-score 更稳健，不依赖均值和标准差。我比较推荐这个。
  • 聚类 + PCA 投影：这一点我们在可视化初筛里会细讲。

举个例子，我之前处理过一个甲基化芯片的数据，样本 QC 用的是控制探针的信号值。正常样本的 median signal 大概在 1000-2000 之间，但有个样本跑到了 3500。Z-score 算出来是 4.2——明显异常。后来查实验记录，发现是杂交温箱温度出了问题。

# MAD 异常检测示例
# 假设 control_probe_signal 是样本的控制探针中位数
signal = [1250, 1340, 1180, 1420, 3500, 1290, 1100]
median_signal = median(signal)  # 1290
mad_signal = mad(signal)        # 大约 110

# modified Z-score
modified_z = 0.6745 * (signal - median_signal) / mad_signal
# 结果：除了 3500 那个样本得分为 13.5，其他都在 1 以内

嗯，这里要注意：MAD 对数据量的要求其实不高，但样本太少（比如 n < 6）的时候，离群检测的灵敏度会下降。我的经验是至少 8 个样本才用统计方法，少于 8 个，我宁愿多看几张图。

3.3 可视化初筛：肉眼是最好的 QC 工具

做多组学这么多年，我最大的体会是：别只看一个数字，画图看看。统计指标和阈值都好量化，但有些问题只有图能告诉你。

我个人觉得，以下三种图是初筛必备：

  1. 总表达量箱线图：快速发现某几个样本整体偏低的极端值。
  2. PCA Score 图：看看样本是否聚成预期的组；注意，如果质控样本（如 pooled sample）都在图外，那基本可以判定失败了。
  3. 样本间相关性热图：如果有一个样本和其他所有样本的相关系数都低于 0.7，它大概率是有问题的。

一个经典案例：我经手的一个代谢组学项目，统计指标全都 OK（阈值不过、Z-score 不过），但画出来的 PCA 图里，对照组和处理组之间有一条「对角线」——后来发现是采集时间不同导致的批次效应。这种情况，统计检测根本抓不住，但一眼就能在图上看到。

为什么可视化这么重要？我举几个例子你就明白了：

检查内容 统计检材 可视化检材
整体表达量漂移 均值、中位数 箱线图 / 密度图
离群样本 Z-score, IQR PCA Score 图
批次效应 ANOVA, 方差分解 PCA 或 t-SNE 按批次着色
技术重复一致性 相关系数 散点图 / 相关性热图

避坑指南：我曾经在可视化时踩过一个坑——PCA 图里有两个离群样本，我直接判定它们不合格。后来发现，那两个样本其实是同一个生物学变异很大的个体做的双重复。所以，我的建议是：可视化初筛负责发现问题，但最终判定要结合实验记录和生物学背景。

3.4 综合判断：三条腿走路

阈值、统计、可视化，这三者我觉得是三条腿的关系——只有互相验证，才能走得稳。

我的工作流通常是：

  1. 先跑一个硬阈值，把明显不合格的样本直接标记为「不合格」。
  2. 然后跑统计异常检测，把数值上偏离的点找出来，标记为「疑似」。
  3. 最后画几张可视化图，把「不合格」和「疑似」的样本点在图上看一下——如果它们在 PCA 图里已经和好样本混在一起，我会酌情放宽；如果它们孤立在一边，那基本可以确认了。

最终判定原则：

  • 同时满足「超出阈值」+「统计异常」+「可视化离群」 → 直接标记失败
  • 满足其中两项 → 标记疑似，手动检查
  • 只满足一项 → 保留样本，但要加入上下文注释

你想想看，用这个流程去跑你的数据，是不是比拍脑袋设一个阈值要放心得多？我自己实践下来，误判率至少降低了一半。

好了，这一章的内容就是这些。阈值、统计、可视化，三条腿一起走，才算把「质控失败」这四个字真正定义清楚。记住，做多组学质控最怕的不是数据不好，而是标准没对齐、流程不规范。把定义先定死了，后面的根因分析才能有的放矢。

← 上一章 📖 返回目录 下一章 →