omics-analysis-guide

组学数据分析指南：三层方法

---

元数据

简短说明：全面介绍如何使用经验证的流水线、标准工作流或自定义分析方法分析组学数据（转录组学、蛋白质组学）。

作者：HITS

版本：1.0

上次更新：2025 年 12 月

许可证：CC BY 4.0

允许商业用途：允许

引用与致谢

如果使用经验证的流水线或工具（选项 1）：

• 引用：始终引用与每种工具或流水线相关的原始出版物
• 致谢：注明分析中使用的具体工具和方法

如果使用标准工作流（选项 2）：

• 致谢声明：「分析使用标准组学数据分析工作流和最佳实践完成」
• RNA-seq 分析引用：Dobin A, et al. STAR: ultrafast universal RNA-seq aligner. Bioinformatics. 2013;29(1):15-21. PMID: 23104886
• 蛋白质组学引用：Cox J, Mann M. MaxQuant enables high peptide identification rates, individualized p.p.b.-range mass accuracies and proteome-wide protein quantification. Nat Biotechnol. 2008;26(12):1367-72. PMID: 19029910

---

概述

本指南提供组学数据分析的三层方法，优先采用经验证的流水线和标准工作流，再考虑自定义分析。始终从选项 1 开始，仅在有需要时再使用后续选项。

本指南涵盖：

• 转录组学：Bulk RNA-seq
• 蛋白质组学：预先量化的蛋白质丰度数据（与 Bulk RNA-seq 分析类似）

注意：本指南侧重于已完成定量的数据分析。原始数据处理（比对、定量）请参阅专用工具和流水线。

---

关键概念

经验证的流水线 vs. 标准工作流 vs. 自定义分析

经验证的流水线是指具有经同行评审的基准测试数据、可证明其在类似于你的数据上性能的特定工具（例如，用于 RNA-seq 计数数据的 DESeq2、用于无标记蛋白质组学的 MaxQuant）。标准工作流是按照社区认可的实践整合而成的典型步骤序列：QC → 归一化 → 统计检验 → 多重检验校正，并根据你的特定数据集进行调整。自定义分析是在前两层都无法涵盖数据类型或研究问题时所需的定制统计或计算建模。从选项 1 → 选项 2 → 选项 3 逐步推进，是以可重复性换取灵活性——始终先充分尝试前面的层级。

缺失值机制（MCAR / MAR / MNAR）

组学数据中的缺失值来自三种不同机制，各自需要采用正确的处理方法。MCAR（完全随机缺失）表示缺失与任何值都无关——可以安全地用均值、中位数或 KNN 进行填补。MAR（随机缺失）表示缺失取决于已观测变量，但不取决于未观测值——适合使用 KNN 或基于模型的填补。MNAR（非随机缺失）表示缺失取决于缺失值本身，在蛋白质组学中很常见，例如低丰度蛋白质低于检测限而未被检出——需要在检测限以下进行左删失填补（minprob/QRILC）。选择错误的机制会系统性地导致下游统计结果产生偏差。

检验假设与检验选择

参数检验（Student's t 检验、Welch's t 检验）假设数据近似正态分布（Student's t 检验还假设方差相等）；当假设成立时，其效能高于非参数检验。非参数检验（Mann-Whitney U、置换检验）的假设较少，在分布偏斜或样本量较小时结果更可靠，但代价是统计效能较低。选择取决于样本量（n < 10 时更适合非参数检验）、正态性（在特征层面进行 Shapiro-Wilk / Anderson-Darling 检验）、方差齐性（Levene 检验）和离群值比例。

多重检验校正

组学分析会同时检验数千个特征。如果不进行校正，在 α＝0.05 时，对 20,000 个基因进行检验，预期会出现 1,000 个假阳性。Bonferroni 等**家族错误率（FWER）校正方法可以控制出现任何假阳性的概率，但较为保守。Benjamini-Hochberg 等假发现率（FDR）**校正方法可以控制报告为显著的特征中假阳性的预期比例，是组学分析的标准做法。判定显著性时，务必报告校正后的 p 值，不要报告原始 p 值。

---

决策框架

使用此决策树，为你的数据选择合适的分析层级：

              Have you searched for a validated
              pipeline matching your data type?
                            │
              ┌─────────────┴─────────────┐
              │                           │
             NO                          YES
              │                           │
              ▼                           ▼
       Run Method 1            Did you find a validated
       (literature) AND        pipeline with benchmarks
       Method 2 (consortia     matching your data type
       workflows) FIRST        and biological question?
                                          │
                                  ┌───────┴───────┐
                                  │               │
                                 YES              NO
                                  │               │
                                  ▼               ▼
                          OPTION 1:        Is your data a
                          Use validated    common type
                          pipeline         (RNA-seq counts,
                          (e.g., DESeq2,   pre-quantified
                          edgeR, MaxQuant) proteomics)?
                                                  │
                                          ┌───────┴───────┐
                                          │               │
                                         YES              NO
                                          │               │
                                          ▼               ▼
                                  OPTION 2:        OPTION 3:
                                  Standard         Custom analysis
                                  workflow         (consult
                                  (QC → norm →     statistician;
                                   test → FDR)     document
                                                   thoroughly)

决策表

数据类型	样本量	是否有经过验证的流程？	推荐层级	具体工具／方法
Bulk RNA-seq 计数	n ≥ 3／组	是（DESeq2、edgeR）	选项 1	DESeq2（负二项分布，默认 FDR < 0.05）
预量化的蛋白质组学数据，呈正态分布	n ≥ 5／组	有时	流程匹配时选项 1；否则选项 2	limma 或 t 检验 + BH-FDR
预量化的蛋白质组学数据，MNAR 占比较高	n ≥ 5／组	否（需针对具体机制）	选项 2	minprob 插补 → t 检验或 Mann-Whitney 检验 → BH-FDR
小队列组学（n < 5）	n < 5	很少	谨慎使用选项 2	置换检验，报告效应量；将结果标记为初步结果
多组学整合	不定	有限	选项 3	MOFA、DIABLO 或自定义贝叶斯模型
新型数据类型（例如空间多组学）	不定	否	选项 3	从第一性原理出发构建；进行交叉验证
时间序列组学	每个时间点的 n	有时（maSigPro、ImpulseDE2）	有可用方法时选项 1；否则选项 3	转录组学使用 maSigPro；蛋白质组学使用自定义方法

---

选项 1：查找经过验证的分析方法（建议优先采用）

1.1 搜索经过验证的分析流程

重要：在继续选项 2 之前，必须完成方法 1 和方法 2。即使方法 1 没有找到结果，也不要跳过方法 2。

方法 1：检索最佳实践文献

使用网络搜索工具或文献数据库（PubMed、Google Scholar）查找经过验证的分析方法。

可尝试的搜索查询（使用多个）：

"[DATA_TYPE]" "[ANALYSIS_TYPE]" validated pipeline best practices
"[DATA_TYPE]" analysis workflow "[ORGANISM]" published
"[DATA_TYPE]" "[TOOL_NAME]" validation benchmark comparison

Bulk RNA-seq 示例：

"RNA-seq" "differential expression" validated pipeline human
"DESeq2" "edgeR" comparison validation RNA-seq

蛋白质组学示例：

"proteomics" "differential abundance" analysis validated methods
"proteomics" normalization imputation best practices

搜索结果中要查找的内容：

• 采用经过验证的分析流程发表的论文
• 比较不同工具的基准测试研究
• 主要联盟（例如 ENCODE、TCGA）发布的最佳实践指南
• 提供验证数据的工具文档

重要：请留出充足时间检索文献。至少浏览前 10-15 条搜索结果，并查看相关论文的补充材料。

方法 2：查阅标准分析工作流

查阅主要联盟和出版物确立的工作流：

• ENCODE RNA-seq 分析流程
• TCGA 分析方案
• 已发表的基准测试研究

结果处理方式：

如果找到经过验证的流程或方法：

1. 记录流程／方法名称和版本
2. 注明参考文献：记录出版物 DOI／PubMed ID
3. 记录验证详情：基准测试结果、建议参数及任何局限性
4. 记录工作流：逐步列出分析流程

结果格式示例：

Data Type: Bulk RNA-seq
Analysis Goal: Differential expression
Pipeline: DESeq2 (v1.40.0)
Reference: Love MI, et al. Moderated estimation of fold change and dispersion for RNA-seq data with DESeq2. Genome Biol. 2014;15(12):550. PMID: 25516281
Validation: Validated in multiple benchmark studies, recommended for count data
Parameters: Default parameters, FDR < 0.05, log2FC > 1

如果方法 1 和方法 2 均未找到经过验证的流程： 只有在这种情况下，才继续选项 2：使用标准工作流

---

选项 2：使用标准分析工作流

何时使用此选项？

• 针对你的特定数据类型，未找到经过验证的流程
• 需要使用标准组件构建自定义工作流
• 使用常见数据类型（RNA-seq、蛋白质组学）
• 希望遵循社区最佳实践

2.1 标准工作流概述

RNA-seq（Bulk）：

1. 质量控制
2. 标准化和过滤（如果是计数数据，使用 DESeq2/edgeR 标准化）
3. 统计分析（差异表达）
4. 多重检验校正
5. 功能富集（可选）

蛋白质组学（已定量）：

1. 质量控制
2. 缺失值评估和填补
3. 标准化
4. 批次校正（如有需要）
5. 统计分析（差异丰度）
6. 多重检验校正

2.2 基本质量控制步骤

关键：必须在进行任何统计分析之前执行质量控制。无论使用何种统计方法，数据质量不佳都会导致结果不可靠。

样本级质量控制

检查异常样本：

• 使用 PCA + Isolation Forest 检测异常样本
• 标准化数据、执行 PCA，然后应用 Isolation Forest
• 移除或调查识别出的异常样本

检查样本相关性：

• 计算样本之间的相关矩阵
• 相关性较低（< 0.5）可能表示样本质量不佳
• 移除相关性持续较低的样本

检查批次效应：

• 使用 PCA + 轮廓系数评估批次分离情况
• 如果轮廓系数 > 0.3，则检测到强批次效应
• 如有需要，应用批次校正（ComBat 或类似方法）

特征级质量控制

评估缺失值模式：

• 计算每个特征和每个样本的缺失百分比
• 检验平均强度与缺失情况之间的相关性
• 确定缺失机制：MCAR（完全随机缺失）、MAR（随机缺失）或 MNAR（非随机缺失）
• MNAR：强度越低，缺失越多（蛋白质组学中常见）
• MCAR：强度与缺失情况之间没有关系

检查特征检出一致性：

• 统计在至少一定数量样本中检出的特征数
• 过滤在 < 50% 样本中检出的特征（阈值可调整）

2.3 预处理步骤

缺失值填补

关键：根据缺失值机制选择填补方法：

• MNAR（非随机缺失）：使用最小概率填补（minprob）

  • 使用正态分布填补低于检出限的值
  • 参数：downshift=1.8，width=0.3

• MCAR/MAR（完全随机缺失/随机缺失）：使用 KNN 填补

  • 使用 k 近邻（默认：k=5）填补缺失值
  • 比均值/中位数填补更稳健

• 简单方法（缺失值较少时）：

  • 均值填补：替换为特征均值
  • 中位数填补：替换为特征中位数

标准化

RNA-seq 计数数据：通常由 DESeq2/edgeR 处理标准化（size factors）。

蛋白质组学/连续数据：

• 中位数标准化：将每个样本缩放至全局中位数
• 分位数标准化：使各样本的分布一致
• Z-score 标准化：标准化至均值=0、标准差=1
• 总强度标准化：缩放至总强度

2.4 统计分析：选择合适的检验

关键：执行分析前，务必检查统计检验的假设。使用错误的检验可能导致结论不正确。

步骤 1：检查检验假设

需要执行的关键检查：

1. 正态性检验：

   • n < 50 时使用 Shapiro-Wilk 检验，n >= 50 时使用 Anderson-Darling 检验
   • 抽取部分特征子集（100 个特征）以提高速度
   • 如果 >=70% 的特征符合正态分布，则认为数据符合正态分布

2. 方差齐性检验：

   • 使用 Levene 检验检查方差是否相等
   • 如果 >=70% 的特征方差相等，则假设方差相等

3. 样本量检查：

   • n < 5：样本量非常小，结果不可靠
   • n < 10：样本量较小，优先使用非参数检验
   • n >= 10：满足假设条件时可使用参数检验

4. 离群值检查：

   • 计算 z 分数，将 |z| > 3 的值标记为离群值
   • 如果离群值超过 5%，优先使用非参数检验

检验选择逻辑：

• n < 5：置换检验或 Mann-Whitney U 检验
• n < 10：Mann-Whitney U 检验（非参数检验）
• 正态分布 + 方差相等：Student's t 检验
• 正态分布 + 方差不等：Welch's t 检验
• 非正态分布：Mann-Whitney U 检验

步骤 2：执行统计检验

实施步骤：

1. 对每个特征：

   • 提取 group1 和 group2 的值
   • 移除 NaN 值
   • 计算均值和 log2 倍数变化
   • 执行选定的检验（t 检验、Welch's t 检验或 Mann-Whitney U 检验）
   • 记录统计量和 p 值

2. 应用 FDR 校正：

   • 使用 Benjamini-Hochberg 方法（FDR_BH）
   • 对多重检验的 p 值进行校正
   • 将 p_adj < 0.05 的特征标记为显著

主要库：

• scipy.stats：统计检验（ttest_ind、mannwhitneyu、shapiro、levene）
• statsmodels.stats.multitest：FDR 校正（使用 method='fdr_bh' 的 multipletests）

2.5 可视化

对于所有图形，请阅读 skills/data-visualization/omics-plotting/SKILL.md 并遵循其中的方案，以确保每张图都采用统一且适合发表的样式。以下两种图直接对应其中的方案——火山图对应“Volcano”，PCA 图对应“PCA / UMAP / t-SNE”——结果从导出的 CSV 加载（计算和绘图应分开进行）。

火山图：

• X 轴：Log2 倍数变化
• Y 轴：-Log10 校正后的 p 值
• 按显著性着色：上调（红色）、下调（蓝色）、不显著（灰色）
• 添加倍数变化和 p 值的阈值线

PCA 图（用于质量控制）：

• 标准化数据，执行 PCA
• 绘制 PC1 与 PC2
• 标注样本，检查离群值和批次效应

2.6 如何处理结果

完成标准工作流后：

1. 记录所有步骤和使用的参数
2. 保存中间结果以确保可复现性
3. 尽可能使用独立方法验证结果
4. 使用适当的统计数据报告关键发现

如果标准工作流无法满足需求： 继续执行选项 3：自定义分析

---

选项 3：自定义分析方法（最后手段）

何时使用此选项？

• 标准工作流未涵盖的新型数据类型
• 需要自定义方法的专业研究问题
• 多种组学数据类型的整合
• 高级统计建模需求

3.1 基本原则

必要要求：

1. 数据质量：自定义分析前确保数据质量良好

   • 执行选项 2 中的所有 QC 步骤
   • 移除离群值和批次效应
   • 验证技术重复

2. 统计严谨性：

   • 分析前始终检查检验假设
   • 根据数据分布使用合适的统计检验
   • 应用多重检验校正（FDR）
   • 验证假设

3. 可复现性：

   • 记录所有步骤和参数
   • 使用版本控制管理代码
   • 保存中间结果
   • 为随机过程提供种子值

4. 验证：

   • 适用时进行交叉验证
   • 如有条件，使用独立的验证集
   • 尽可能与已知结果进行比较

最佳实践：

• 从简单开始：先进行基础分析，再尝试复杂方法
• 验证假设：检验正态性、独立性等
• 使用适当的转换：必要时进行对数转换
• 结合生物学背景：根据已知生物学知识解读结果
• 查阅文献：参考类似研究以获取指导

---

快速入门示例

示例 1：Bulk RNA-seq 差异表达分析

步骤 1：质量控制

• 使用 PCA + Isolation Forest 检查异常样本
• 检查样本相关性矩阵
• 移除质量较差的样本

步骤 2：对于 RNA-seq 计数数据，使用 DESeq2（通常在 R 中）

library(DESeq2)
dds <- DESeqDataSetFromMatrix(countData = count_matrix, colData = sample_metadata, design = ~ condition)
dds <- DESeq(dds)
res <- results(dds, contrast=c("condition", "treatment", "control"))

步骤 3：功能富集（可选）

• 使用 GSEA 或 GO 富集工具（如 gseapy）
• 根据 log2FC 准备排序后的基因列表
• 运行富集分析

示例 2：蛋白质组学差异丰度分析

步骤 1：质量控制

• 检查异常样本
• 评估缺失值（确定缺失机制：MCAR、MAR 或 MNAR）

步骤 2：填补缺失值

• 如果是 MNAR：使用 minprob 填补
• 如果是 MCAR/MAR：使用 KNN 填补

步骤 3：归一化

• 应用中位数或分位数归一化

步骤 4：检查批次效应

• 使用 PCA + silhouette score 进行评估
• 必要时应用批次校正（ComBat 或类似方法）

步骤 5：差异丰度分析

• 检查检验假设（正态性、方差、样本量）
• 选择适当的检验方法（根据假设自动选择）
• 执行检验，并进行 FDR 校正
• 筛选显著结果（p_adj < 0.05）

步骤 6：可视化

• 阅读 skills/data-visualization/omics-plotting/SKILL.md，并使用其中针对导出结果/QC 表格的 “Volcano” 和 “PCA / UMAP / t-SNE” 配方

---

特定数据类型的注意事项

RNA-seq（Bulk）

• 计数数据：使用 DESeq2 或 edgeR（负二项模型）
• 归一化：DESeq2/edgeR 内置归一化（size factors）
• 筛选：分析前移除低计数基因
• 多重检验：始终进行 FDR 校正
• 统计检验：DESeq2/edgeR 能妥善处理计数数据

蛋白质组学（预先定量）

• 连续数据：类似于归一化后的 RNA-seq 数据
• 缺失值：很常见，尤其是丰度较低的蛋白质
  • 评估缺失机制（MCAR、MAR、MNAR）
  • 使用适当的填补方法
• 归一化：中位数、分位数或总强度归一化
• 统计检验：
  • 检查正态性和方差假设
  • 正态分布时使用 t 检验，非正态分布时使用 Mann-Whitney 检验
  • 始终进行 FDR 校正
• 批次效应：蛋白质组学中很常见，检查并在必要时进行校正

---

最佳实践

1. 在自定义构建任何内容之前，先穷尽已验证的流程。 在转向定制分析之前，先进行文献检索和联盟工作流审查。理由：已验证的流程经过同行评审基准测试；新方法则需要自行验证，会降低可复现性。

2. 在进行任何统计分析之前，先执行样本级别的 QC。 使用 PCA + Isolation Forest 检测离群值，使用样本相关性矩阵，并通过 PCA + silhouette score 检查批次效应。理由：单个离群样本或未识别的批次效应都可能主导检验统计量，无论选择哪种检验，都会导致结果难以解读。

3. 在填补缺失值之前，先诊断缺失值机制（MCAR / MAR / MNAR）。 检查每个特征的平均强度与缺失率之间的相关性。理由：使用 KNN 填补 MNAR 数据会使低丰度特征的数值偏高；使用 minprob 填补 MCAR 数据则会使所有数值偏低。根据机制选择填补方法可避免系统性失真。

4. 始终先检查检验假设，再选择检验方法——切勿本末倒置。 在具有代表性的特征子集上运行 Shapiro-Wilk / Anderson-Darling 正态性检验，以及 Levene 方差齐性检验。理由：对非正态的小样本数据使用 t 检验会增大 I 类错误率；对表现良好的数据默认使用 Mann-Whitney 则会降低检验效能。

5. 对全基因组检验，始终进行 FDR 校正（Benjamini-Hochberg）。 报告 p_adj（或 q-value），而非原始 p 值。理由：在 α=0.05 下检验 20,000 个基因，若不进行校正，预计会出现约 1,000 个假阳性——所得结果集毫无意义。

6. 记录每个参数和版本，保存中间输出，并固定随机种子。 记录工具版本、参数值、归一化方法、缺失值填补方法、检验选择、FDR 阈值，以及任何随机步骤所用的种子。理由：组学流程包含许多可调参数；若缺少准确的溯源信息，就无法复现或审计分析。

7. 尽可能使用独立数据集或正交方法验证发现。 示例：通过 qPCR 确认差异表达基因，在公共数据集（GEO、ArrayExpress）中进行重复验证，或比较不同批次的结果。理由：即使经过 FDR 控制的显著结果，也可能是由批次伪影、污染或归一化选择导致的假阳性。

常见陷阱

1. 跳过 QC，直接进行统计分析。 问题：离群样本和批次效应会产生通过统计检验的虚假信号，导致结果列表充斥伪影。 如何避免：在进行任何差异检验之前，始终运行样本级 PCA、相关性矩阵和离群检测。将 QC 视为必需步骤，而非可选步骤。

2. 使用一刀切的方法填补缺失值。 问题：对 MNAR 蛋白质组学数据进行均值填补会使低丰度蛋白质产生偏差；对 MCAR 数据使用 minprob，则会使所有低于检测限的数值都向下偏移。 如何避免：先诊断缺失机制（强度与缺失情况之间的相关性），再选择合适的填补方法：MNAR 使用 minprob，MCAR/MAR 使用 KNN。

3. 在非正态或小样本数据上使用 t 检验。 问题：Student's t 检验假设数据符合正态分布，并且（在使用合并方差时）方差相等；当 n < 10 且数据偏斜时，I 类错误率会大幅高于标称 α。 如何避免：先进行正态性和方差检验；方差不齐时使用 Welch's t 检验，非正态时使用 Mann-Whitney，n < 5 时使用置换检验。

4. 报告未经多重检验校正的原始 p 值。 问题：在数千个特征中，原始 p 值会导致大量假发现；由此得到的“显著”基因列表会充斥噪声。 如何避免：始终应用 Benjamini-Hochberg FDR（或对相关检验使用 BY），并报告校正后的 p 值。将 p_adj < 0.05（或 q < 0.05）设为显著性阈值。

5. 混淆倍数变化与统计显著性。 问题：高 p_adj 对应的高 log2 倍数变化是不可靠的噪声；极低 p_adj 对应的低 log2 倍数变化可能是真实信号，但在生物学上微不足道。 如何避免：同时依据两者进行筛选——典型阈值为 |log2FC| > 1 且 p_adj < 0.05。同时报告效应量和 p 值。

6. 存在批次效应时未进行校正。 问题：批次效应会伪装成生物学信号，在蛋白质组学和多队列研究中尤其如此；此时 PC1 反映的最终是批次，而非条件。 如何避免：使用 PCA + 轮廓系数检查批次分离情况；如果轮廓系数 > ~0.3，则应用 ComBat、limma 的 removeBatchEffect，或在模型中将批次作为协变量。

7. 将选项 3（自定义分析）当作捷径。 问题：未先运行标准工作流就直接使用自定义方法，会跳过经同行评审的验证，使结果更难发表和复现。 如何避免：转向选项 3 之前，清楚说明选项 1 和 2 不适用的原因，并使用模拟数据或留出数据验证任何自定义方法。

相关技能

上述各层级对应的具体 SKILL：

• omics-plotting (skills/data-visualization/omics-plotting/SKILL.md) — 为此处的每种输出生成可用于发表的图表（火山图、MA 图、表达量/相关性热图、GSEA 条形图/点图、PCA/UMAP、Kaplan–Meier、Manhattan/QQ/森林图）。编写任何绘图代码之前，请先阅读此文档。
• deseq2-differential-expression / pydeseq2-differential-expression — 选项 1 RNA-seq 差异表达分析（R 和 Python）。
• gseapy-gene-enrichment — 对排序后的 DE 结果进行 GSEA / ORA 功能富集分析。
• maxquant-proteomics — 选项 1/2 蛋白质组学定量和差异丰度分析。
• mofaplus-multi-omics — 选项 3 多组学因子整合。

参考资料

流水线和工具

• DESeq2：https://bioconductor.org/packages/release/bioc/html/DESeq2.html — Love MI, Huber W, Anders S. Genome Biology 2014；15:550。PMID：25516281
• edgeR：https://bioconductor.org/packages/release/bioc/html/edgeR.html — Robinson MD, McCarthy DJ, Smyth GK. Bioinformatics 2010；26(1):139-40。
• STAR aligner：https://github.com/alexdobin/STAR — Dobin A, et al. Bioinformatics 2013；29(1):15-21。PMID：23104886
• MaxQuant：https://www.maxquant.org/ — Cox J, Mann M. Nat Biotechnol 2008；26(12):1367-72。PMID：19029910
• limma：https://bioconductor.org/packages/release/bioc/html/limma.html — Ritchie ME, et al. Nucleic Acids Res 2015；43(7):e47。
• ComBat (sva package)：https://bioconductor.org/packages/release/bioc/html/sva.html — Johnson WE, Li C, Rabinovic A. Biostatistics 2007；8(1):118-27。

联盟最佳实践

• ENCODE RNA-seq 流水线：https://www.encodeproject.org/data-standards/rna-seq/
• GTEx 分析方案：https://gtexportal.org/home/methods
• TCGA 分析方案：https://docs.gdc.cancer.gov/Data/Bioinformatics_Pipelines/

统计方法

• Benjamini-Hochberg FDR：Benjamini Y, Hochberg Y. J. R. Stat. Soc. B 1995；57(1):289-300。
• 蛋白质组学中的多重插补综述：Lazar C, et al. J Proteome Res 2016；15(4):1116-25。
• scipy.stats：https://docs.scipy.org/doc/scipy/reference/stats.html
• statsmodels 多重检验：https://www.statsmodels.org/stable/stats.html

用于验证的数据存储库

• GEO：https://www.ncbi.nlm.nih.gov/geo/
• ArrayExpress：https://www.ebi.ac.uk/biostudies/arrayexpress
• PRIDE（蛋白质组学）：https://www.ebi.ac.uk/pride/

---

请记住：始终从经过验证的流水线（选项 1）开始，然后转向标准工作流（选项 2），仅在必要时使用自定义分析（选项 3）。记录所有步骤和参数，以确保可复现性。在分析的每个阶段都必须进行质量控制。执行分析前，始终检查统计检验的假设。