1. 生物实验设计统计分析工程导论

生物实验设计统计分析工程，不是把统计公式套在实验数据上，而是把“生物学问题—实验设计—数据采集—统计建模—结果解释—可重复报告”当作一条可管理、可验证、可复现的工程链路。它的核心目标，是让研究者在做实验之前就知道要控制什么、测量什么、如何分析、如何判断结论是否可靠，而不是等数据到手后再“找显著性”。

本课程面向生物实验中的常见场景：细胞处理、动物分组、植物栽培、微生物发酵、分子检测、组学测量等。无论对象是细胞、个体、群体还是测序读数，统计分析工程都围绕四个基本对象展开：处理、实验单元、响应变量和变异。处理是研究者主动施加或比较的条件，例如药物浓度、基因型、温度、时间；实验单元是接受处理并独立观测的最小对象，例如一只小鼠、一皿细胞、一个发酵罐、一个测序样本；响应变量是用于判断处理效果的测量结果，例如肿瘤体积、荧光强度、表达量、存活率；变异则来自个体差异、批次、操作、仪器、环境以及随机误差。统计分析的实质，就是判断处理引起的响应差异是否大于背景变异。

这里必须强调一个常见误区：实验单元不等于测量次数。如果一皿细胞被分成多个孔检测，但整皿细胞接受同一处理，那么这皿细胞通常才是独立实验单元，孔只是技术重复。把技术重复当作生物学重复，会人为放大样本量，导致假阳性。因此，实验设计的第一步不是选检验方法，而是明确“独立重复到底是什么”。

上图的左侧是四个核心对象，右侧是工程化流程。需要特别注意的是，流程不是单向“做完就结束”，而是存在反馈：统计建模阶段若发现方差不齐、批次效应明显或样本量不足，应回到设计阶段调整；报告阶段若发现效应量很小或置信区间过宽，也应重新审视问题定义和实验规模。

在具体操作层面，一个典型的生物实验分析工程可以这样落地。假设研究“某化合物对肿瘤细胞增殖的抑制作用”，处理为化合物浓度（0、5、10、20 μmol/L），实验单元为独立培养皿，响应为48小时后相对荧光强度，变异来源包括细胞代次、培养箱位置、加样误差和检测批次。设计时至少设置3个生物学重复，每个浓度随机分配到不同培养皿，并用区组设计平衡培养箱位置。数据表建议至少包含以下字段：

sample_id, treatment, dose_uM, plate_id, cell_passage, well, fluorescence, relative_viability
S01, control, 0, P1, 3, A1, 48210, 1.00
S02, control, 0, P1, 3, A2, 46980, 0.97
S03, compound, 5, P1, 3, B1, 35120, 0.73
S04, compound, 10, P1, 3, B2, 21450, 0.45
S05, compound, 20, P1, 3, C1, 9860, 0.20

拿到数据后，不要直接跑t检验。先做描述统计和可视化：计算各浓度组的均值、标准差、中位数和样本量，绘制箱线图或带原始点的均值图，观察剂量—反应趋势、离群点和方差是否随均值增大而增大。若相对存活率在0、5、10、20 μmol/L下的均值约为1.00、0.73、0.45、0.20，且各组标准差约为0.05、0.06、0.07、0.05，则效应方向明确、组间差异较大。此时可考虑单因素方差分析，并在存在剂量关系时进一步做线性趋势检验；若方差不齐，则改用Welch ANOVA或对数据做适当变换。分析结果不能只报告p值，还应给出各组均值差、95%置信区间和效应量，例如20 μmol/L组相对对照的存活率下降约0.80，95%置信区间为[0.72, 0.88]。这些数值是教学示例，用于说明报告格式，不代表真实实验结果。

常用软件方面，R语言适合可重复分析和复杂模型，核心包包括tidyverse、ggplot2、lme4、emmeans；Python适合与测序、图像分析流程整合，常用pandas、statsmodels、scikit-learn；GraphPad Prism适合快速绘图和常规检验，但脚本化与版本追踪能力较弱；SPSS和JMP适合教学与常规方差分析；SAS在临床试验和混合模型中有长期积累。工具选择没有绝对优劣，关键是分析过程能否被记录、复核和复现。

可重复分析原则可以概括为四句话：原始数据可追溯，分析步骤可执行，统计参数可核查，图表结果可复现。具体做法包括：用脚本而不是鼠标点击完成关键分析；固定随机种子；记录软件版本和包版本；对每个响应变量明确单位、变换方式和缺失值处理规则；报告效应量和置信区间，而不只报告显著性；图表中标注样本量、误差棒含义和统计方法。做到这些，生物实验的统计分析才真正从“一次性计算”变成“工程化能力”。

本章后续内容将围绕这条主线展开：先建立实验单元、处理、响应和变异的概念边界，再进入随机化、区组、重复、对照和样本量估算，随后学习常见设计对应的统计模型、假设检查、多重比较和结果表达，最终形成一套可复用的分析工程规范。