同样设定5%的假发现率目标,转录组差异分析、肽段鉴定和基因集富集分析背后的统计依据可能很不一样。Burger等在一篇Comment中提出二维分类,把不同领域的方法放进同一框架,帮助研究者辨认适用前提,并理解"做过多重检验校正"为何仍可能失效。

文献信息
- 文章类型:Comment(统计方法分类与实践建议)
- 期刊:Nature Biotechnology(2025年 IF=44.5;2026版JCR)
- 在线发表:2026年11月13日
- DOI:https://doi.org/10.1038/s41587-026-03379-8
两条轴,区分三类方法
假发现率(false discovery rate,FDR)描述显著发现集合的错误比例:单次分析中,假阳性占全部发现的比例称为假发现比例(false discovery proportion,FDP);FDR是FDP在重复数据与分析下的期望值。它控制的是集合层面的平均错误,而判断这一控制是否可信,首先要看如何表征零假设成立时的数据。
第一条轴区分理论零分布(theoretical null)与数值零分布(numerical null)。前者从假定的数据生成模型推导分布,后者用生成、重采样或对照数据构造数值参照,也可从观察统计量估计。模型参数由数据估计,仍可属于理论零分布;"使用了数据"本身不是分类依据。
第二条轴区分跨特征合并(feature-pooled)与逐特征构造(feature-specific):多个基因或分子是否共用一个零参照,还是各自拥有专属参照。二维空间由此归为三个家族。理论零分布无论共享还是逐特征设定,都合入传统家族;数值零分布则进一步区分合并型与逐特征型。

图1|零分布的表征方式决定分类。左侧两个象限合为传统方法,右上为经验零分布方法,右下为蛋白质组学启发型方法。灰色是真实特征,红色是构造的零特征,蓝色标出筛选区间。图中的假阳性/总发现比例用于直观说明,严格说是FDP,FDR是其期望。
P值与BH校正不能单独决定归类
传统家族(traditional)用理论零分布校准特征统计量,通常得到P值,再用Benjamini--Hochberg(BH)等规则控制FDR。Wilcoxon检验接BH,以及DESeq2接BH,都落在这一家族,尽管前者可共享理论零分布,后者包含基因特异的离散度参数。
经验零分布家族(empirical-null)把零统计量合并成共同参照。它既可据此计算经验P值后再做BH,也可直接估计某阈值以上的假发现数。因此,同样使用P值和BH,所属家族也可能不同;关键是前面的零参照如何构造。
蛋白质组学启发型家族(proteomics-inspired)为真实特征构造对应的虚拟特征,以成对竞争或对比分数汇总证据。靶标---诱饵竞争(target--decoy competition,TDC)、knockoff filters、Clipper及ClipperQTL是代表。若诱饵只用于构造合并零分布,省去逐对竞争,则在本框架中归入经验零分布家族。

表1|将分析拆为零参照、特征证据和集合阈值三步。只有第一步定义家族,后两步展示常见实现。经验P值可以接入BH;逐特征数值参照通常接竞争式阈值。最终筛选仍需汇总多个特征的信息。
选择方法,要同时检查参照是否成立
对设计常规的差异分析,作者优先建议计算高效、易复现的传统流程,但前提是模型与检验假设合理。P值直方图可提供诊断线索,却不能单凭外观证明校准有效;下游校正也无法补救已经失真的P值。
当理论零分布难以信任,而不同特征的零统计量经适当标准化后可合并时,可考虑经验零分布方法。作者将Significance Analysis of Microarrays、GSEA和Nullstrap-DE列为例子。这里要审视合并参照是否合理,置换或对照是否反映真实的零假设结构,不能把未建模混杂交给重采样自动解决。
若合并参照不合理,逐特征数值参照提供另一条路线,但必须能构造合适的虚拟对应物。关键条件之一是:真实零特征与虚拟对应物的统计量具有所需的可交换性(exchangeability)。对肽段鉴定,TDC虽已嵌入常用搜索流程,级联搜索、后处理及多个谱图对应同一肽段等情形仍可能破坏其理论前提。

表2|三类方法的使用场景、优势与检查重点。传统方法先检查理论零分布和P值有效性;经验零分布方法检查跨特征可比性;蛋白质组学启发型方法检查真实零特征与虚拟对应物的可交换性。表内示例说明分类,不构成跨数据集的性能排名。
相关性与随机性仍需单独交代
组学特征常因共调控、共享遗传变异或归属同一蛋白而相关。P值有效性和相应阈值规则的依赖条件仍须满足;"数值构造零分布"并不自动带来相关性下的FDR保证。直接用合并零分布估计FDR与竞争式方法,也各有待检验的条件。
置换次数、随机种子和虚拟对应物生成方式还会影响发现名单,应记录以便复现。这篇Comment的贡献是统一概念与选择依据:先说明零参照从何而来、是否可信,再解释证据如何变成发现集合。分类本身没有替代具体流程的有效性验证,也没有给出新的通用最优算法。
参考文献
- Burger, T., Ge, X. & Li, J. J. A unified and practical taxonomy for false discovery rate control in omics research. Nature Biotechnology (2026). https://doi.org/10.1038/s41587-026-03379-8