1、RNA-seq模型鲁棒性概念介绍

聊鲁棒性之前，我想先讲个真实案例。几年前我参与一个癌症分型项目，模型在训练集上AUC能到0.98，大家挺高兴。结果换个实验室的数据一跑，直接掉到0.65。当时的场面很尴尬。说白了，这就是典型的鲁棒性不足——模型只是“记住了”训练集的特征，而不是真正学会了生物规律。

鲁棒性到底是什么

鲁棒性翻译自Robustness，也叫稳健性。在RNA-seq模型里，我习惯这样定义：一个模型面对不同来源、不同批次、不同测序深度的数据时，依然能保持稳定性能的能力。不是只在你的数据集上表现好，而是拿到别人家的数据也能打硬仗。

它会体现在三个维度上：

• 数据维度：换个批次、换个平台，结果波动大不大
• 噪声维度：数据里混入异常值、低表达基因，模型会不会崩
• 参数维度：超参稍微调一调，结果是否剧烈变化

为什么非要做外部验证

内部验证常用交叉验证或留出法。但有个坑——同一个实验室、同一个操作员、同一条测序lane得到的数据，本质上太像了。就像你让学生考的题都是平时作业里的，高分没什么说服力。

我遇到过一种情况：某套公开数据里的性别标签跟基因表达模式完美匹配。模型学了一堆“性别特征”去分类疾病，内部交叉验证效果超好。可这些特征跟疾病毫不相干，一到外部数据立马露馅。这就是典型的信息泄露加特征混淆。

外部验证用独立的、从未见过的数据集来测试模型，目的就是看看模型有没有学到真正可泛化的信号。我个人认为，这是评判一个RNA-seq模型有没有实用价值的金标准。

验证类型	数据来源	评价价值	鲁棒性信号
内部交叉验证	同批次拆分	中等	容易高估
内部留出法	同批次留出	中等偏上	仍有风险
外部验证（同平台）	独立实验室	高	可靠
外部验证（交叉平台）	不同测序平台	最高	最优信号

常见误区，我踩过的坑

说来惭愧，早期做RNA-seq建模时，我自己也掉进过这些坑里。现在分享出来，大家避开就好。

误区一：测试集也是外部数据

很多论文把同批次的留出测试集称为“外部验证”。你想想看，同一批样本、同一批建库、同一台机器测出来的，哪来的外部？本质还是内部。真正的外部验证要用来源完全独立的数据。

误区二：批量效应不用太在意

有些同行觉得外部验证时直接跑模型就好，不需要考虑批量效应。不对。批量效应是RNA-seq数据的固有属性。外部数据如果跟你的训练数据批次差异巨大，结果差到没法看。我在项目中试过，一个用Illumina HiSeq训练的模型，拿去跑NovaSeq的数据，准确率从0.92直接降到0.58。

正确做法是先做批量校正，或者至少用鲁棒性更强的特征选择方法。我个人习惯用RUVseq或者ComBat处理，效果还不错。

误区三：外部效果差就说明模型不行

嗯，这里要注意。外部表现差不一定全是模型的问题。也可能是：

• 外部数据的生物学背景差异太大（比如你训练数据全是亚洲人的，外部数据全是非洲人的）
• 外部数据的测序深度、片段长度不一样
• 外部数据的样本量太小，评估结果不稳健

判断模型到底行不行，得先排除这些干扰因素。

误区四：外部验证只需要跑一次

我见过有人拿一个外部数据集跑完，结果还行，就宣称模型有鲁棒性。这不够。一个外部数据集只能说明你在这个场景下没翻车。要验证真正的鲁棒性，至少需要3-5个独立来源的外部数据集，最好来自不同实验室、不同平台、不同疾病亚型。

一个简单的理解框架

下面这张图是我总结的RNA-seq鲁棒性验证核心流程。从左到右看，从训练集出发，经过内部验证筛选，再到外部数据集验证，最后判断模型是否真正泛化。