跳到主要内容

01 项目选题：从临床问题到分析问题

一个组学项目能不能做出来，选题阶段就决定了一半。很多人拿到数据就开始跑流程，跑完发现结果"什么都有一点但什么都不深"——根本原因是没有把临床问题翻译成一个可以用数据回答的分析问题。

这一篇不教任何工具，只教一件事：怎么把一个模糊的兴趣方向，变成一个能写进论文摘要第一句话的精确问题。

好选题的三个硬条件​

条件具体要求不满足时的后果
有明确问题能用一句话说清"我要回答什么"跑完一堆分析不知道怎么写 Discussion
有合适数据公开数据够用 OR 自有数据已测完做到一半发现数据不支持这个问题
技术可行分析路线里每一步都有成熟工具卡在某一步没有工具，项目烂尾

新手最常见的错误是只满足第一个就动手——有个"听上去很酷"的问题，但没确认数据和方法是否支持。

评估清单（动手前 30 分钟做完）​

  1. 我的问题能不能用一句话写成"In [数据集], we aim to identify [what] that [how] in [population]"？
  2. 这个数据集的样本量够不够做我想做的统计（差异分析至少 3v3，生存分析至少 50 个事件）？
  3. PubMed 搜这个关键词 + 数据集，已经有几篇了？跟他们比我能新增什么？
  4. 分析路线里最复杂的那一步，我能不能找到一篇教程照着跑通？

四个都"是"，可以开始。有任何一个"不确定"，先花 1 天调研再决定。

"临床问题"→"分析问题"的翻译​

这是选题里最难的一步。举几个真实的例子：

临床问题（模糊）分析问题（精确）
"哪些基因和肝癌预后有关？""在 TCGA-LIHC 中，哪些基因的表达与 OS 显著相关（univariate Cox p < 0.01），且在 ICGC-LIRI 中能被验证？"
"免疫治疗为什么对有些肝癌没用？""在 TCGA-LIHC 中，免疫冷热肿瘤（基于 ESTIMATE 评分分组）之间有哪些差异转录特征？"
"这个基因在肝癌里有什么功能？""在 TCGA-LIHC 中，GENE_X 高/低表达组之间的 GSEA 富集通路有哪些？GENE_X 表达是否和分期/生存独立相关？"

翻译的关键要素：

  1. 明确数据集："在 TCGA-LIHC 中" — 不是"在肝癌中"
  2. 明确比较："高/低表达组" / "tumor vs normal" / "有突变 vs 无突变"
  3. 明确统计标准："padj < 0.05" / "HR > 1.5" / "AUC > 0.7"
  4. 明确验证策略："在 ICGC-LIRI 中验证" / "在 GEO GSExxx 中重复"

翻译不好的后果：跑了 3 个月出一堆图和表，写论文时发现串不起来 — 因为从没想清楚"我到底在回答什么"。

TCGA-LIHC：我们为什么选它​

本专栏 10 篇从头到尾用同一份数据集贯穿，选 TCGA-LIHC（肝细胞癌）的理由：

维度说明
样本量371 tumor + 50 matched normal，做差异和生存分析都够
数据完整RNA-seq counts + 体细胞突变 MAF + 完整临床（分期、生存、HBV/HCV）
中国相关肝癌是中国高发癌种（全球 50% 的新发在中国），读者科研场景直接对应
文献丰富PubMed 搜 "TCGA LIHC" 有 2000+ 篇文献，能随时对比验证
公开免费GDC Portal 直接下载，TCGAbiolinks 一键获取
适合教学不需要配对 tumor-normal（50 对就行），差异信号明显

我们在本专栏里会具体做的分析问题是：

"在 TCGA-LIHC 中，哪些免疫相关基因的表达能区分肝癌预后亚群，且和肿瘤微环境免疫浸润相关？"

这个问题足够收窄（免疫 + 预后 + 浸润三个关键词），但又能串起差异分析、富集、生存、免疫评分多个分析模块 — 正好覆盖本专栏 10 篇的内容。

文献调研：30 分钟定位你在哪​

动手前必须花半小时回答："别人做到什么程度了？"

三步速查​

Step 1：PubMed 关键词搜索

("TCGA" OR "LIHC") AND "immune" AND "prognosis" AND "hepatocellular"

结果可能几百篇。不需要全读。看前 20 篇的标题和摘要，记下：

  • 他们用了什么方法？（LASSO / WGCNA / CIBERSORT / ssGSEA...）
  • 他们找到了什么？（几个基因的 signature / 某个通路 / 某个免疫 subtype）
  • 有什么没做？（没验证 / 没看突变 / 没做单细胞验证 / 方法老）

Step 2：Connected Papers 看关系图

选一篇和你方向最近的文献，粘到 Connected Papers 里。它会画出引用关系图，让你看到这个方向的"上下文"——哪些是源头论文、哪些是最近的跟进。

Step 3：看"这些人漏了什么"

最有价值的选题是"别人做了 A 但没想到 B"。常见的空白：

  • 用了旧方法（edgeR 2015），用新方法（DESeq2 + apeglm shrinkage）可能出不同结论
  • 没做外部验证（只在 TCGA 里做，没在 ICGC / GEO 里重复）
  • 单层组学（只看 RNA），没整合突变 / 甲基化
  • 没做临床亚组分析（HBV+ vs HBV- 可能机制不同）

一个选题从模糊到精确的完整例子​

起点：导师说"你看看肝癌免疫微环境方向能不能发一篇。"

翻译过程：

  1. "肝癌免疫微环境" → 太大。收窄到："肝癌免疫浸润和预后的关系"
  2. "关系" → 太模糊。收窄到："找一组免疫相关基因，能预测 OS"
  3. "一组基因" → 需要明确方法。"用 LASSO Cox 从 immune-related genes 里筛 signature"
  4. 验证？"在 ICGC-LIRI 队列里验证 signature 的预后预测能力"
  5. 新意？"进一步看这个 signature 和 CIBERSORT 免疫细胞浸润的关系 + 和 ICB 响应标记物的相关性"

最终一句话：

"In TCGA-LIHC, we construct and validate an immune-related gene signature (LASSO Cox) that predicts overall survival and correlates with tumor immune infiltration patterns."

这句话能直接放进摘要。能写出这句话，项目就可以开始了。

选题不好的几种典型死法​

死法症状原因
散弹枪跑了 10 种分析，每种都有一点结果，但串不成故事没有"一句话问题"，什么都想看
别人做过了审稿人说 "novelty insufficient"文献调研没做够
数据不支持生存分析只有 10 个事件，p 值虚高没评估样本量就动手
做完写不出结果表格一堆但 Discussion 空白问题太泛，没有可以讨论的机制假说
验证失败TCGA 里显著，换数据集就不显著过拟合 / 原始结果是假阳性

常见坑​

坑 1：选题时只看 IF，不看可行性​

"免疫治疗预测标记物"是热点（IF 高），但需要的数据（治疗前后配对 + 响应信息）在公开数据里极其稀少。先确认数据可得性，再考虑方向的热度。

坑 2：把"描述性分析"当成"问题"​

"描述 TCGA-LIHC 的突变景观" 不是一个问题 — 这只是跑了一遍 maftools。问题必须有对比："突变负荷高 vs 低的患者在免疫浸润上有什么差异？"

坑 3：先跑出结果再补选题​

跑完发现 TP53 突变和预后相关，然后倒推选题 "我们研究了 TP53 突变和预后的关系"。这种后验选题容易有 cherry-picking 嫌疑，审稿人一看就知道。选题在前、分析在后。

坑 4：一个项目想回答三个独立问题​

"我既想看免疫浸润，又想做 lncRNA ceRNA 网络，还想做药物敏感性预测" — 这是三个项目，不是一个。一篇文章只回答一个核心问题，其余的可以放在下一篇。

坑 5：不区分"探索性"和"验证性"分析​

用同一份数据既发现 signature 又验证它，等于没验证。发现和验证必须用独立队列。TCGA 做发现 → ICGC / GEO 做验证，是标准设计。

下一步​

接着深入：

横向延伸：

参考资源​

AI 陪学

让 AI 陪我学这一篇

AI 会读这篇文章后给你 3-5 步学习计划， 逐步陪你学完，最后出 1-3 道题验证你掌握得怎么样。 登录后 AI 才能记住你的进度。

静态文件

离线资料下载

手册 HTML / PDF 已在后台预生成，点击后直接下载网站静态资源。

本篇 HTML本篇 PDF说明