机器学习生物学应用教程

ML 方法不是万能,但它很擅长在高维、有标签、需要预测的生信问题里给经典统计补位。本专栏把 ML 落到真实组学数据上,讲清楚什么时候用、怎么用、用错了会怎样。

专栏定位

维度	经典统计专栏(差异分析 / 富集 / 生存)	本专栏
核心问题	"组间有没有差别"	"能不能预测"
假设检验	p 值 / FDR	交叉验证 / 测试集 AUC
维度处理	单个基因独立检验	高维 + 特征交互
适合阶段	探索期 / 描述统计	决策期 / 临床落地

12 篇规划表

章节	主题	动手	语言	数据
01	数据集与任务定义(4 套真实数据)	是	R+Py	LIHC / BRCA / PBMC / airway
02	特征矩阵构建(VST / batch / 类平衡)	是	R	TCGA-LIHC
03	特征选择(方差 / 单因素 / mRMR / Boruta / RFE)	是	R	TCGA-LIHC
04	经典分类(LR / SVM / RF / XGBoost)	是	R	TCGA-LIHC
05	模型评估(CV / ROC / PR / Calibration / DCA)	是	R	TCGA-LIHC
06	预后建模(LASSO / Ridge / RSF / XGBoost-Cox)	是	R	TCGA-LIHC OS
07	无监督亚型(ConsensusCluster / NMF / iCluster)	是	R	TCGA-BRCA PAM50
08	深度学习入门:Autoencoder 表征	是	Python	TCGA-LIHC
09	单细胞 ML:scVI 整合 + scANVI 注释	是	Python	PBMC 3k
10	可解释性(SHAP / DeepSHAP / Permutation)	是	R	LIHC + 04 模型
11	上线(模型卡 / 序列化 / Plumber+FastAPI)	是	R+Py	06 模型

为什么这条主线值得学

ML 在生信里有几个"看似漂亮但其实错"的常见坑,本专栏每章都会显式标注:

• ❌ 训练集 ROC = 0.99 不是好结果,是过拟合
• ❌ 用全样本做特征选择 + 训练 + 评估 → signature inflation,效果虚高
• ❌ 选 padj < 0.05 的差异基因当 ML 特征 → p 值 hacking 风险
• ❌ 在 train / test 上各跑一遍 PCA → 必须 train 上 fit,test 上 transform
• ❌ Univariate Cox 显著基因丢进 multivariate Cox → co-linearity,系数不可信

学完之后你能区分"漂亮的 ML 文章"和"靠谱的 ML 工作"。

真实数据集白名单

本专栏所有动手章节只用以下 5 套真实公开数据,禁止模拟数据:

数据集	来源	规模	用在哪
TCGA-LIHC	TCGAbiolinks 下载	374 样本	02-06 / 08 / 10 / 11
TCGA-BRCA(PAM50)	UCSC Xena	1100 样本	04 多分类 / 07 亚型
PBMC 3k	10x Genomics	2700 cells	09 单细胞 ML
airway	Bioconductor 包	8 样本	02 快速 demo
MSigDB Hallmark	msigdbr	50 gene sets	02 附加

在线工具

本专栏配套 7 个 ML 在线工具(免环境跑):

工具	对应章节	后端
ml-feature-select	03	R
ml-classifier	04 + 05	R
rsf-survival	06	R
consensus-cluster	07	R
ml-autoencoder	08	Python
ml-scvi-annotate	09	Python
shap-explain	10	R

(已存在的 lasso-cox 工具继续覆盖 06 章 LASSO Cox baseline。)

前置知识

• 生信基础教程 — R/Python 基础、ggplot2、TCGA / 10x 数据获取
• bulk RNA-seq 实践教程 — DESeq2、富集分析、生存分析

如果你已经能独立跑通 DESeq2 → clusterProfiler → KM 三步,就可以从本专栏 02 章开始。

本章状态

✅ Wave 1 完成(2026-05-26)。 ✅ Wave 3 校订(2026-05-27):W2 工具已全部上线,本章规划表的"在线工具"列已可点。后续 Wave 4 会补 08/09 章 Python 工具(ml-autoencoder + ml-scvi-annotate)。