可重复性科学基础：为什么可重复性是金标准

我刚入行生物信息那会儿，导师丢给我一个RNA-seq项目。他两年前发的论文，让我重复一下关键分析。结果呢？完全对不上。基因表达量差了十万八千里，差异基因列表只有30%重叠。我当时第一反应是：我写错了。

后来花了两周排查，发现不是我的问题。是原始数据、参数、软件版本、中间文件……全都不一样。那篇论文的「可重复性」，说白了根本不存在。

从那时起我明白了一件事：可重复性不是学术界的装饰品，是科研的命根子。今天我们就来聊聊，为什么它被称为金标准。

可重复性到底是什么？

很多人把可重复性和再现性混着用。其实不是一回事。我习惯用下面的表格来区分：

概念	英文	定义	典型场景
可重复性	Repeatability	同一团队、同一数据、同一方法，得到相同结果	你在自己电脑上跑两遍，结果一样
再现性	Reproducibility	不同团队、不同环境、相同数据与方法，得到一致结论	隔壁实验室用你的流程跑，结论一致
泛化性	Generalizability	不同数据、不同人群，结论仍然成立	换个癌种验证，biomarker依然有效

其实我们日常说的「可重复性」，更多指的是中间那层——再现性。但不管哪一层，缺了它，论文就是空中楼阁。

为什么可重复性是金标准？

理由有三点，我挑重点说：

1. 信任的基石

你想想看，一篇RNA-seq论文说找到了一个极其重要的差异基因，但别人用它的原始数据跑一遍，结果是另一回事。这种论文谁敢引用？谁敢用它来设计临床试验？

我记得在2018年，有一篇高影响力的癌症转录组研究，后来被人发现分析流程里有一个参数写错了。修正之后，核心结论直接消失了。这就是典型的不可重复案例。从那以后，我对自己项目里的每个参数都强制记录在配置文件中。

2. 效率的保证

不可重复意味着浪费。重复实验、重复分析、重复调试……全是时间成本。我见过一个团队花费三个月去「复现」自己半年前的结果，最后发现是软件包版本升级导致的函数接口变化。

你如果有一套可重复的分析流程，换个人来跑，一天就能搞定。省下来的时间，用来思考生物学问题不好吗？

3. 科学的底线

这不是开玩笑。不可重复的研究本质上接近错误。尤其是在RNA-seq这种多步骤、多参数的分析中，可重复性就是质量控制的终极体现。

可重复性危机：我们的行业怎么了？

你可能听说过「可重复性危机」这个词。不是危言耸听。Nature在2016年做过一项调查，超过70%的研究人员曾尝试重复别人的实验但失败了。其中一半的人认为问题出在分析流程本身。

生物信息学领域尤其严重。原因很多：

• 软件版本混乱：同一个工具，不同版本的默认参数可能完全不同。
• 参数随意调整：很多人不记录参数变更，更没有版本控制。
• 中间产物丢失：比对后的BAM文件、计数矩阵、归一化结果……没有中间文件，你想回溯都找不到入口。
• 计算环境差异：你用的是CentOS + Python 3.6，别人是macOS + Python 3.9，GCC版本不同，结果就可能不同。

我曾经遇到过一个极端情况：同事用同样的代码、同样的数据、同样的命令行，只是在两台不同配置的服务器上跑，比对率差了3%。查到最后，是英特尔MKL库的自动指令集选择导致数值精度差异。这些坑，不遇到你根本想不到。

怎么才能做到可重复？

别急，办法当然有。我总结了几条亲测有效的最佳实践：

1. 全流程版本控制——代码、参数、配置文件、环境依赖，都要进Git。
2. 使用容器或环境管理工具——Docker、Singularity、Conda，选一个锁住环境。
3. 记录每一步的输入和输出——尤其是中间文件的路径与哈希值。
4. 采用工作流管理系统——比如我们这门课的主角Nextflow，天生支持可重复和审计追踪。
5. 标准化参数配置——所有参数写在YAML/JSON里，不要硬编码在脚本中。

可重复性的三个层次

为了让你更直观地理解，我画了一张图。它展示了我心目中的可重复性层次结构：

别把可重复性想得太复杂

有人觉得实现可重复性太麻烦，尤其是做探索性分析时，「先跑通再说」这种心态很常见。我理解。我自己也经历过那个阶段。

但后来我算了一笔账：一个RNA-seq项目，前期只要多花20%的时间搭建一个可重复的流程框架，后期能省下80%的返工时间。这还不算发论文时被审稿人要求提供原始数据和完整流程时的那种从容。

一个简单的可重复性检查清单

最后，我列一个自查清单。每次做完RNA-seq分析，都过一遍：

• ✅ 原始FASTQ文件的MD5值已记录
• ✅ 所用软件及版本已锁定（conda env export / Dockerfile）
• ✅ 所有参数以配置文件形式保存，不在代码中硬编码
• ✅ 中间产物（BAM、counts、QC报告）均保留并标记版本
• ✅ 分析流程可一键重跑（工作流脚本+容器）
• ✅ 结果的可视化图表附带生成脚本

如果这些都做到了，你的分析基本算得上可重复。接下来几章，我们会一步步用Nextflow把这些变成自动化流水线。