组学分析笔记
工具教程教"怎么做"，这个专栏教"为什么做/不做"。建立判断力比记住步骤更重要——知道什么时候该停下来、什么时候该换方向、什么时候该怀疑自己的结果，这些能力没有任何一个 R 包能替你解决。
01 数据可信度：怎么不被自己骗
组学分析最危险的时刻不是"跑不出结果"，而是"跑出了好看的结果但其实是错的"。你兴奋地发现 tumor 和 normal 完美分离、差异基因成百上千、生存曲线漂亮得像教科书——然后三个月后发现是批次效应、样本标签搞混、或者 circular analysis。这一章用 5 个真实场景训练你的"怀疑本能"：在相信结果之前，先问自己"这会不会是假的"。
02 统计直觉：常见的统计学陷阱
组学分析本质上是大规模统计检验。当你同时检验 20000 个基因时，统计学的直觉和单基因实验完全不同。在传统实验中，p < 0.05 是一个合理的显著性标准；但在组学分析中，p < 0.05 意味着你会得到 1000 个假阳性。这一章用 5 个具体场景讲解组学分析中最常踩的统计学坑，帮你建立正确的"大规模检验"直觉。
03 生物学常识 vs 统计显著性
DESeq2 告诉你某个基因 padj = 1e-10，但你查了文献发现这个基因和你的研究方向完全无关。GSEA 告诉你"嗅觉受体通路"在肝癌中显著富集，但这在生物学上说不通。这时候该信统计还是信常识？
04 工具选择：同一件事 5 个工具怎么选
差异分析可以用 DESeq2、edgeR、limma-voom、NOISeq、baySeq；富集分析可以用 clusterProfiler、DAVID、Enrichr、g:Profiler、WebGestalt；生存分析可以用 survival、survminer、rms、penalized、glmnet。面对这么多选择，新手要么随便选一个（"师兄用的 DESeq2 我也用"），要么全部跑一遍然后不知道报哪个。
05 写作判断：哪些结果可以写、哪些不能写
分析做完你可能有 20 个发现，但不是所有发现都适合写进论文。有些结果证据不够强、有些结果和主线无关、有些结果在方法学上有争议。把不该写的东西写进去，轻则被审稿人要求删除（浪费一轮 revision），重则让审稿人质疑你的判断力（影响整篇文章的可信度）。