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。

场景一：无意识的 p-hacking

故事： 小王在做 TCGA-LIHC 的生存分析。他想看基因 X 的表达和预后的关系，于是用中位数把患者分成高表达和低表达两组，画 KM 曲线——p = 0.12，不显著。他想"也许中位数不是最好的 cutoff"，于是试了三分位（取上 1/3 vs 下 1/3）——p = 0.08，还是不显著。他又试了 surv_cutpoint（自动找最优 cutoff）——p = 0.02，显著了！他在文章中报告了这个结果。

为什么这是 p-hacking： 小王试了 3 种分组方式，只报告了最显著的那个。每种分组方式都是一次独立的统计检验。试 3 次取最好的，等价于把显著性阈值从 0.05 放宽到了约 0.14（1 - 0.95³ ≈ 0.14）。他报告的 p = 0.02 实际上应该乘以一个校正因子。

p-hacking 在组学分析中的常见形式：

行为	本质	后果
试多种 cutoff 只报最好的	多次检验取最优	假阳性率膨胀
去掉"异常"样本直到显著	选择性排除	结果不可重复
试多种归一化方法选结果最好的	分析路径选择	过拟合
换不同的基因集数据库直到富集显著	多数据库检验	假阳性通路
调整 log2FC 阈值直到差异基因数"合理"	后验阈值选择	结果依赖阈值

如何避免：

• 在分析之前预定义所有参数选择（cutoff、阈值、排除标准）
• 如果确实需要探索多种方案，在文章中如实报告所有尝试过的方案
• 使用 surv_cutpoint 时，必须做 bootstrap 验证确认 cutoff 的稳定性
• 把探索性分析和验证性分析明确分开

场景二：多重检验的直觉理解

一个思想实验： 假设你有 20000 个基因，它们和肝癌预后完全无关（null hypothesis 全部为真）。你对每个基因做单因素 Cox 回归，用 p < 0.05 筛选。问：你会得到多少个"显著"基因？

答案：20000 × 0.05 = 1000 个。

这 1000 个基因全部是假阳性——它们和预后没有任何真实关联，只是随机波动恰好达到了 p < 0.05。如果你从中挑一个基因写文章，你写的是一个不存在的发现。

多重检验校正的直觉：

三种常用校正方法的核心思想：

Bonferroni（最严格）： 把显著性阈值除以检验次数。20000 个基因 → 阈值变成 0.05/20000 = 2.5e-6。只有 p < 2.5e-6 的基因才算显著。优点：几乎不会有假阳性。缺点：太严格，很多真阳性也被漏掉了。

Benjamini-Hochberg / FDR（最常用）： 控制的不是"是否有假阳性"，而是"假阳性占所有显著结果的比例"。FDR < 0.05 意味着：在你报告的所有显著基因中，预期最多 5% 是假阳性。如果你报告了 200 个显著基因，其中最多 10 个是假的。这是组学分析中最常用的校正方法。

Permutation-based（最灵活）： 打乱数据的对应关系（比如打乱生存时间和表达值的配对），重新做分析，看在 null 条件下能得到多少"显著"结果。这个数字就是你的假阳性基线。适用于非标准检验或复杂设计。

什么时候该用哪种：

场景	推荐方法	理由
DESeq2 差异分析	BH (FDR)	DESeq2 内置，标准做法
单因素 Cox 筛选	BH (FDR)	大规模筛选，需要平衡灵敏度和特异度
候选基因验证（<10 个）	Bonferroni	检验次数少，可以用严格标准
复杂设计的 GSEA	Permutation	分布未知，用经验分布

场景三：样本量、效应量与统计功效

故事： 两个研究组都在做肝癌中基因 Y 的差异表达分析。

• 研究组 A：10 tumor vs 10 normal，发现基因 Y log2FC = 2.5，p = 0.08（不显著）
• 研究组 B：371 tumor vs 50 normal（TCGA-LIHC），发现基因 Y log2FC = 0.3，p = 0.001（显著）

问：哪个结果更有生物学意义？

答案：研究组 A 的结果更有生物学意义，尽管它"不显著"。

log2FC = 2.5 意味着 5.7 倍的表达差异——这是一个巨大的效应，Western Blot 都能看到。它不显著只是因为样本量太小（统计功效不足）。而 log2FC = 0.3 意味着只有 1.23 倍的差异——这在生物学上几乎没有意义，它"显著"只是因为 TCGA 的样本量太大，连微小的差异都能检测到。

核心概念：统计功效（Power）

统计功效 = 在真实效应存在时，你的检验能检测到它的概率。影响功效的三个因素：

1. 样本量：样本越多，功效越高
2. 效应量：真实差异越大，越容易检测到
3. 显著性阈值：阈值越宽松（如 0.1 vs 0.05），功效越高（但假阳性也更多）

在组学分析中的实际意义：

• 大样本（TCGA, n > 300）： 几乎所有微小差异都会显著。需要同时设置效应量阈值（如 |log2FC| > 1）来过滤"统计显著但生物学无意义"的基因。
• 小样本（n < 20）： 只有很大的效应才能被检测到。不显著不代表没有差异，可能只是功效不足。
• 中等样本（n = 30-100）： 最需要仔细解读的区间。建议做 power analysis 估算你的数据能检测到多大的效应。

一个实用的计算：

# 在 TCGA-LIHC (371 tumor vs 50 normal) 中：
# 假设基因的表达标准差 = 1（log2 scale）
# 要检测 log2FC = 0.5 的差异，power ≈ 99%
# 要检测 log2FC = 0.2 的差异，power ≈ 85%
# 要检测 log2FC = 0.1 的差异，power ≈ 45%

# 在小样本 (10 vs 10) 中：
# 要检测 log2FC = 0.5 的差异，power ≈ 25%
# 要检测 log2FC = 1.0 的差异，power ≈ 65%
# 要检测 log2FC = 2.0 的差异，power ≈ 98%

结论：在 TCGA 中，不要只看 p 值，必须同时看 log2FC。在小样本中，不显著不代表没有效应。

场景四：相关性 ≠ 因果性

故事： 你在 TCGA-LIHC 中发现基因 A 和基因 B 的表达高度相关（Pearson r = 0.85, p < 2.2e-16）。你在文章中写道："基因 A 可能调控基因 B 的表达"。

为什么这个推断是错的： 两个基因表达相关，至少有 5 种可能的解释：

1. A 调控 B（A → B）
2. B 调控 A（B → A）
3. 第三个因子 C 同时调控 A 和 B（C → A, C → B）
4. A 和 B 在同一种细胞类型中共表达（细胞组成混杂）
5. A 和 B 在同一个染色体区域，受相同的表观遗传调控

在 bulk RNA-seq 中，第 4 种解释特别常见。如果你的 tumor 样本中免疫细胞浸润程度不同，那么所有免疫细胞 marker 基因之间都会高度相关——不是因为它们互相调控，而是因为它们都在同一种细胞中表达。

在组学分析中"相关≠因果"的常见误区：

观察到的相关	常见错误推断	更可能的解释
基因 A 和基因 B 共表达	A 调控 B	被同一个 TF 调控 / 同一细胞类型
突变 X 的样本中基因 Y 高表达	X 突变导致 Y 上调	X 突变和 Y 高表达都与某个亚型相关
甲基化和表达负相关	甲基化沉默了基因	低表达基因的启动子容易被甲基化（因果反向）
药物敏感性和基因表达相关	该基因是药物靶点	该基因是某种细胞状态的 marker

如何正确处理相关性：

• 在文章中用"associated with"而不是"regulated by"或"caused by"
• 如果要暗示因果关系，需要额外证据：时间序列数据、扰动实验（knockdown/overexpression）、Mendelian randomization
• 在 Discussion 中明确说明"our data suggest a correlation but cannot establish causality"

场景五：回归到均值（Regression to the Mean）

故事： 你在 TCGA-LIHC 中筛选出 top 20 个差异最大的基因（log2FC 最极端的），然后在 ICGC-LIRI 中验证。你发现这 20 个基因在 ICGC 中的 log2FC 普遍比 TCGA 中小。你担心"验证失败了"。

为什么这不一定是验证失败： 这是"回归到均值"现象。当你选择极端值时，这些极端值中包含了真实效应 + 随机波动。在新数据中，随机波动的部分会消失，只剩下真实效应——所以效应量看起来"缩小"了。

具体例子： 假设基因 Z 的真实 log2FC = 1.5，但在 TCGA 中由于随机波动被估计为 2.3。你因为它的 FC 大而选中了它。在 ICGC 中，随机波动不同，估计值可能是 1.6——更接近真实值。这不是验证失败，而是估计值回归到了真实值。

在组学分析中的影响：

• 训练集中 top 基因的效应量在验证集中几乎总是更小——这是正常的
• 不要因为验证集的 log2FC 比训练集小就认为验证失败
• 判断验证是否成功的标准是：方向是否一致 + 是否统计显著，而不是效应量是否完全一致

如何正确处理：

• 在文章中报告训练集和验证集的效应量，承认差异的存在
• 用 shrinkage 方法（如 DESeq2 的 apeglm）可以减轻这个问题——shrinkage 本质上就是把极端估计值往均值方向"拉"
• 选择基因时不要只看 FC 大小，要综合考虑 FC + p 值 + 表达水平

建立正确的统计直觉

组学分析中的统计直觉可以总结为几条核心原则：

原则一：检验越多，假阳性越多。 这是多重检验的核心。每次你多做一个检验、多试一个参数、多看一个基因，你的假阳性风险就增加一点。解决方法：做多重检验校正，或者预先确定分析计划。

原则二：显著 ≠ 重要。 p 值只告诉你"这个差异不太可能是随机的"，不告诉你"这个差异有多大"或"这个差异有没有生物学意义"。永远同时看 p 值和效应量。

原则三：大样本放大一切。 在 TCGA 这种大样本中，微小的技术噪声、微小的混杂效应、微小的批次差异都可能达到统计显著。大样本不是万能的——它让你更容易发现真信号，但也更容易被假信号误导。

原则四：相关是廉价的，因果是昂贵的。 在 20000 个基因中找到相关性太容易了。任何两个基因只要在同一种细胞类型中表达，就会相关。不要把相关性当成发现。

原则五：极端值会回归。 你选中的"最好"的基因/模型/参数，在新数据中表现几乎总是更差。这不是失败，是统计学规律。

常见坑

• 只报 p 值不报效应量：审稿人无法判断结果的实际意义。一个 p = 1e-20 但 log2FC = 0.2 的基因，在生物学上可能完全不重要。解决方法：在所有结果中同时报告 p 值（或 FDR）和效应量（log2FC、HR、Cohen's d）。

• FDR 和 p 值混用：在文本中写"p < 0.05"但实际用的是 FDR 阈值，或者反过来。这会误导读者。解决方法：明确标注"adjusted P-value (BH method) < 0.05"或"FDR < 0.05"，不要简写为"p < 0.05"。

• 小样本做太多检验：10 个样本检验 20000 个基因，统计功效极低，BH 校正后几乎不会有显著结果。然后放弃校正直接用 p < 0.05——这是错误的。解决方法：承认样本量不足的局限性，用更宽松但诚实的方式报告（如"suggestive evidence, p < 0.01 without multiple testing correction"）。

• 把 WGCNA module 当成调控网络：WGCNA 找到的是共表达 module（一起变化的基因），不是调控网络（谁调控谁）。解决方法：在描述 WGCNA 结果时用"co-expressed"而不是"regulated"或"interacting"。

• 忽略 multiple testing 的隐性形式：你只做了一次正式的差异分析，但之前"看了看"数据、"试了试"不同的过滤标准、"比较了"几种归一化方法——这些都是隐性的多重检验。解决方法：把探索性分析和确认性分析明确分开，在 Methods 中说明分析计划是预先确定的还是数据驱动的。

下一步

接着深入： 统计学告诉你"显著"，但生物学常识告诉你"不可能"——这时候该信谁？03 生物学常识 vs 统计显著性 会用 5 个冲突场景训练你在统计和生物学之间做判断。

横向延伸： 如果你想看多重检验校正在实际代码中怎么操作，可以看 05 主线分析 中 DESeq2 差异分析和单因素 Cox 筛选的部分。

参考资源

• Benjamini Y, Hochberg Y (1995) "Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing." Journal of the Royal Statistical Society B 57:289-300. BH 方法的原始论文。
• Nuzzo R (2014) "Statistical errors: P values, the 'gold standard' of statistical validity, are not as reliable as many scientists assume." Nature 506:150-152. 关于 p 值误解的科普文章。
• Wasserstein RL, Lazar NA (2016) "The ASA Statement on p-Values: Context, Process, and Purpose." The American Statistician 70:129-133. 美国统计学会关于 p 值的官方声明。
• Button KS et al. (2013) "Power failure: why small sample size undermines the reliability of neuroscience." Nature Reviews Neuroscience 14:365-376. 关于统计功效不足的系统性分析。
• Altman DG, Bland JM (2015) "Statistics notes: Absence of evidence is not evidence of absence." BMJ 311:485. 关于"不显著≠没有效应"的经典论述。