hypothesis-generation

科学假设生成

概述

假设生成是一个系统化过程，旨在根据观察结果提出可检验的机制解释。本知识指南涵盖完整流程：从理解现象，到综合文献、生成相互竞争的假设、评估假设质量、设计实验测试，以及提出可检验的预测。

核心概念

1. 假设与观察和预测的区别

• 观察：关于测量或看到的内容的事实陈述（例如，“药物 X 可缩小小鼠的肿瘤”）
• 假设：针对观察结果提出的机制解释（例如，“药物 X 通过阻断 VEGF 通路抑制血管生成，从而减少肿瘤的营养供应”）
• 预测：假设所带来的可检验结果（例如，“使用药物 X 治疗后，VEGF 水平应当下降；VEGF 基因敲除小鼠的肿瘤应当不会出现额外效果”）

好的假设应具有机制性（解释如何／为何），而非描述性（重述是什么）。

2. 假设质量标准

标准	定义	有力示例	薄弱示例
可检验性	可通过实证进行研究	“蛋白质 X 与受体 Y 结合”（可通过 co-IP 检验）	“生命力驱动细胞生长”（不可检验）
可证伪性	特定观察结果能够推翻该假设	“如果 X 不存在，该效应就会消失”	“X 以某种方式促成了该效应”
简约性	与证据相符的最简单解释	单一机制	缺乏证据的多步骤链条
解释力	能解释观察到的模式	能解释剂量－反应关系和组织特异性	只能解释单一观察结果
适用范围	所涵盖现象的范围	适用于相关系统	仅限于单个数据集
一致性	与已确立的知识相符	符合已知的通路生物学	与热力学相矛盾
新颖性	提供新的见解	提出尚未探索的机制	重述已确立的知识

3. 机制解释的层次

假设可以在不同尺度上发挥作用。有力的假设集应包含多个层次的解释：

• 分子层面：蛋白质相互作用、基因调控、酶活性
• 细胞层面：信号通路、细胞命运决定、代谢变化
• 组织／器官层面：微环境、细胞间通信、器官功能
• 个体层面：全身反应、生理适应
• 种群层面：进化压力、流行病学模式

决策框架

What is your starting point?
├── Specific observation / data → Follow the full 8-step Workflow below
├── Broad research question → Start with Step 2 (literature search) to narrow scope
├── Existing hypothesis to refine → Start at Step 5 (evaluate quality) and iterate
└── Need creative ideation first → Use scientific-brainstorming skill, then return here

起始情形	方法	关键步骤
出现意料之外的实验结果	现象驱动	步骤 1→2→3→4（重点关注相互竞争的解释）
发现文献空白	空白驱动	步骤 2→3→4→5（重点关注新颖性标准）
发现跨领域类比	类比驱动	步骤 1→4→5→6（重点关注机制的转化）
文献中存在相互矛盾的发现	冲突驱动	步骤 2→3→4→7（重点关注区分性预测）
大型数据集中的模式	数据驱动	先使用 hypogenic，然后在此处执行步骤 5→6→7

最佳实践

1. 始终提出相互竞争的假设（3–5 个）：单一假设容易陷入确认陷阱。多个相互竞争的解释会促使你设计能够区分不同解释的实验，而不只是验证自己最偏好的解释。

2. 从机制入手，而非相关性：“X 与 Y 有关”不是假设。“X 通过机制 Z 导致 Y”才是。始终说明机制联系（原因如何产生结果）。

3. 提出能区分不同假设的预测：最有价值的预测，是假设 A 预测结果为 X，而假设 B 预测结果为 Y。这称为“关键实验”——围绕这些具有区分性的预测设计测试。

4. 让每个假设都有证据支撑：为每个假设引用已有文献。“已知通路 X 能调节过程 Y [Author, 2023]；因此，我们假设……”缺乏依据的假设只是猜测，而非科学。

5. 明确说明证伪标准：在设计实验前，针对每个假设写明：“如果……，该假设就会被证伪。”如果无法说明证伪标准，该假设便不可检验。

6. 考虑零假设：最简单的解释——不存在新机制，观察到的效应是由已知过程、伪影或偶然因素造成的——应始终作为相互竞争的假设之一。

7. 尽可能对预测进行定量描述：“表达量应该增加”不如“表达量应该增加 2–5 倍（基于已知的通路动力学）”有力。定量预测有助于为实验设计进行功效分析。

常见误区

1. 假设选择中的确认偏差：提出一个“主要”假设，再补上 2–3 个薄弱的备选假设，以衬托主要假设。避免方法：独立提出假设，再根据质量标准对其排序。请其他人审查备选假设是否确实具有竞争力。

2. 无法检验的“事后圆说”：假设听起来合理，却无法用现有技术进行实证检验。避免方法：针对每个假设，立即写出用于检验它的实验。如果无法设计实验，就需要修改假设。

3. 混淆基于相关性的主张与机制性假设：“基因 X 在疾病 Y 中上调”不是假设。避免方法：始终在假设陈述中说明如何以及为何会产生这种结果。使用以下模板：“[机制] 导致 [效应]，因为 [理由]。”

4. 忽视矛盾证据：只挑选支持假设的文献，却忽视相反的数据。避免方法：在步骤 3（综合证据）中，单独列出相矛盾的发现。每个假设都必须说明如何处理冲突数据。

5. 评估假设时范围不断扩大：试图让一个假设解释所有现象。避免方法：假设不必解释所有观察结果，只需解释正在研究的特定现象。明确说明范围边界。

6. 设计只能证实假设的实验：如果实验不可能得出否定结果，就无法检验假设。避免方法：为每个实验写明“失败”是什么样的。纳入阴性和阳性对照。

7. 实验设计中忽视可行性：提出的实验需要不切实际的技术、样本或时间安排。避免方法：在每项实验方案中一并评估可行性（可用试剂、设备、样本获取情况和时间安排）。

工作流

结构化假设生成流程（8 个步骤）

1. 理解现象：明确核心观察结果，界定范围和边界，指出已知与不确定的内容，并确定相关科学领域

2. 开展文献检索：在 PubMed（生物医学）和通用数据库中检索综述、原始研究、相关机制及类似系统。查找研究空白、矛盾和未解决的争论

3. 综合现有证据：总结当前认识，确定可能适用的既定机制，指出相互矛盾的证据，认识知识空白，并寻找跨领域类比

4. 提出 3–5 个相互竞争的假设：每个假设都必须基于机制（解释如何/为何）、彼此可区分、有证据支撑，并考虑不同层次的解释（从分子到群体）

5. 评估假设质量：依据 7 项质量标准（可检验性、可证伪性、简约性、解释力、适用范围、一致性、新颖性）为每个假设评分。明确指出优点和缺点

6. 设计实验测试：针对每个可行假设提出具体实验，包括：测量指标、对照、方法、样本量、统计方法和潜在混杂因素

7. 制定可检验的预测：说明假设成立时应观察到什么，明确预期方向和幅度，指出预测成立的条件，并区分相互竞争假设的预测

8. 呈现结构化输出：按以下部分组织结果：执行摘要、相互竞争的假设及其证据、可检验的预测、关键比较和详细附录（文献综述、实验方案、质量评估）

延伸阅读

• Platt, JR（1964）“Strong Inference”——Science 146:347-353。关于设计实验以区分相互竞争假设的经典论文
• Popper, KR（1959）“The Logic of Scientific Discovery”——假设证伪的基础框架
• Chamberlin, TC（1890）“The Method of Multiple Working Hypotheses”——Science 15:92-96。关于提出相互竞争解释的开创性论述
• NIH Guide to Hypothesis Development——关于撰写基金申请中假设部分的实用指南
• Kell, DB & Oliver, SG（2004）“Here is the evidence, now what is the hypothesis?”——BioEssays 26:99-105。数据驱动的假设生成

相关技能

• scientific-brainstorming——在进行结构化假设构建前需要发散思维时，用于开放式创意构思
• scientific-critical-thinking——评估证据质量和逻辑推理；可补充假设质量评估
• literature-review——系统收集证据；为此工作流的第 2–3 步提供支持
• statistical-analysis——为第 6 步提供功效分析和实验设计统计方法
• scientific-writing——构建以假设为核心的论文并用于发表