同一个基因评分，在两个独立队列里都「能预测生存」，这常被当作一致性证据。可拆开来看是两个故事：其中一个队列在调整分子特征之后，关联明显减弱；同一研究里，该评分与缺氧在患者层面的相关性原本是 0.798，一旦剔除两者重叠的基因，就只剩 0.254（Biology，DOI 10.3390/biology15181624，2026 年 9 月 15 日）。数字没动，变的是这个评分究竟代表什么。
这类反差不来自数据本身，也不来自哪一步算错了，而来自一个默认假设：样本之间相互独立。空间转录组（在保留组织空间位置的前提下测定基因表达的测序技术）与单细胞多组学（在单个细胞尺度上同时测定转录组、蛋白组等多层信息）把观测粒度压到细胞级，独立性假设就更容易失效。2026 年 9 月 8 日 Frontiers in Bioinformatics 的一篇社论，主题也正是整合单细胞与空间多组学（DOI 10.3389/fbinf.2026.1983096）。下面按三个陷阱逐条拆，每个陷阱后面给一条能落地的对策。
陷阱一：同一个基因集，既拿来定义，又拿来验证
这是签名循环论证（signature circularity，用同一批基因构造评分，再用这批基因在评分上的表现，去证明这个评分有生物学意义）。流程通常是：挑一批与预后相关的基因，加权求和得到一个风险评分；再拿这个评分与生存做关联，显著，于是宣布它「驱动」了预后。可前后用的是同一批基因的同一层信息，等于自己证明自己。
对策有三步。第一，把评分拆成互不重叠的分量分别检验，避免一个综合分把不同来源的信号搅在一起。第二，在完全独立的队列里复现，而不是在同批数据里换一种切法。第三，同时报告未调整与调整协变量后的效应量，并说清调整后效应减弱意味着什么。
一个可参考的做法，是把原本混在一起的间质与缺氧联合评分拆开。拆分后，间质分量在两个队列里都与更短的总生存相关：CGGA-693 队列的每标准差风险比（HR，hazard ratio，衡量暴露每增加一个标准差时风险变化幅度的指标）为 1.73，95% 置信区间 1.43 至 2.11；CGGA-325 队列为 1.41，95% 置信区间 1.10 至 1.79。但后一个在调整分子特征之后，关联减弱了。同一研究里，另一个分化丢失评分在跨队列比较中没有稳定的生存关联（Biology，DOI 10.3390/biology15181624，2026 年 9 月 15 日）。同一份数据里，有的分量稳，有的不稳。拆分与调整不是可选项。
陷阱二：把细胞和空间点当成独立样本
把同一名患者的几千个细胞放进统计模型，当成几千个独立观测，这是伪重复（pseudo-replication，把非独立的观测单位当成独立样本，导致有效样本量被高估、P 值被人为压小）。样本量看着很大，真正独立的信息可能只有十几例。空间数据还多一层：邻近位置本来就相似，这叫空间自相关，P 值会因此进一步虚高。一项研究用 Visium（一种基于测序的空间转录组平台）切片，共 11 例患者，测到平均 Moran’s I 为 0.297（p = 0.001）。Moran’s I 是衡量相邻位置数值相似程度的统计量，取值越接近 1，空间聚集越明显（Biology，DOI 10.3390/biology15181624，2026 年 9 月 15 日）。
对策同样清楚。第一，把推断单位提到患者或样本层面，细胞只作为组内重复。第二，用置换检验与受限零模型（null model，在随机重排时把空间结构等约束一并纳入的对照分布，而不是简单打乱标签）评估显著性。第三，把空间自相关的指标报告出来，让读者知道邻近点并非独立。该研究采用的正是患者层面推断与受限零模型。
陷阱三：把批次校正当成万能开关
批次校正是要做的，但它只能去掉技术差异，并不保证留下的是真实生物学信号。当批次与研究分组部分混杂时，校正算法可能把真实的组间差异一起抹平，而输出的图仍然干净好看。
对策是把校正前后都管住。校正前，先做方差分解，看变异有多少来自批次、多少来自分组；再按批次分别设定质控阈值，而不是全库共用一个阈值。校正后，做双重验证：一是按批次与分组分别着色，看细胞或空间点是否合理混匀；二是用经典 marker（标记基因，用于识别细胞类型的特征基因）交叉核对细胞身份，两者都要对得上。再加一道分半重现：把样本随机拆成两半，各跑一遍差异分析，看差异基因的交叠比例。交叠高，结果才站得住；交叠低，先别急着写进结论。
邻居信息与跨模态验证
把三个陷阱放在一起看，会发现它们指向同一件事：单个观测并不携带全部信息，邻居与上下文同样是数据。
近期一项发表在 Nature Communications 的研究提供了一个思路。成像类空间转录组（如 MERFISH 与 Xenium）只能测数百到数千个靶向基因，大部分转录本测不到；已有方法主要靠空间细胞与单细胞参考数据之间的转录组相似性来推断缺失基因，很少考虑局部微环境里邻居细胞的组成与空间关系。该研究由国内一个合作团队完成，提出的框架叫 Emerge，它把细胞身份约束与微环境关系结构整合进同一个最优传输（optimal transport，在两组分布之间寻找总体代价最小的匹配方案）模型。消融实验显示，平衡两种信息源时，重建精度比纯转录组比对提升约 4%；在小鼠脑与乳腺癌数据上，与 8 种已有方法做五折交叉验证（把数据分成五份、轮流留一份作验证的综合评估方式）后综合排名居首，并据此识别出星形胶质细胞的两种状态，它们接收的配体信号来源不同（Nature Communications，DOI 10.1038/s41467-026-77349-8，2026 年 9 月 3 日）。它真正做成的事，是把邻居信息当作互补约束纳入模型。
独立验证是更硬的支撑。2026 年 8 月 10 日同样发表在 Nature Communications 的研究提出 stPainter，一个在泛癌单细胞图谱上预训练的条件生成模型，无需配套参考数据或重新训练，即可增强空间转录组；它在 6 个不同癌种的空间数据集上验证，并用空间蛋白组技术 CODEX（一种在原位同时检测多种蛋白的空间成像方法）提供了区域一致性的独立支持（Nature Communications，DOI 10.1038/s41467-026-76552-x）。空间转录组与空间蛋白组测的是不同分子层，两者在区域划分上对得上，比单一模态的自评更有说服力。
这类工作可以拆成一条链式流程：数据与多组学分析负责建模与统计；文献与证据整理负责把方法学依据和证据等级归档；实验与研究设计负责把推断单位、对照与验证策略定下来；综述与论文写作负责成稿与格式规范，并支持按院校学位论文格式模板生成稿件。DeepBio 承接的正是这几段。
本文讨论的是方法学层面的统计问题，不构成医疗建议；任何涉及诊断或治疗的判断，都应以临床规范与专业意见为准。DeepBio 是面向生物医学研究的 AI 工作台，定位是研究辅助，不替代专业判断。
你在处理空间或单细胞数据时，踩过哪个陷阱？是把细胞当成了独立样本，是被一个漂亮的 P 值误导过，还是在批次校正里丢掉了真实信号？欢迎在评论区留下你的经历。
标签：#SCI #期刊投稿 #论文写作 #生物信息 #单细胞测序 #空间转录组 #统计方法 #多组学 #科研干货 #DeepBio
