想象你是一名侦探，接手一桩多年未破的癌症悬案。案发现场的原始组织早已被封存进蜡块，你唯一能依赖的是三座对外开放的“证据档案馆”。它们不提供破案结论，却收藏着破解谜题的关键线索：TCGA 将 33 种肿瘤的基因组和转录组整理成案卷，UK Biobank 为 50 万志愿者的健康轨迹建立普查档案，CPTAC 则奉上蛋白质层面的精细鉴定报告。肿瘤虽然已经离体，但它的分子“指纹”“口供”“物证”全都留在这些公共数据资源里。 然而档案不会替人推理。从借阅数据、清洗批次噪音，到找出差异基因、建立预后模型，再到把基因、转录、蛋白、甲基化证据拼成完整的证据链，每个环节都需要生物信息学方法。本教程用“侦探破案”这一比喻贯穿始终，带小白用最短路径理解 TCGA、UK Biobank、CPTAC 的获取、分析和 AI 建模全流程。

岗位关联

掌握公共多组学数据的获取与分析，是进入 AI+精准医疗赛道的入门门票。它能帮你胜任生物信息学工程师、医学数据科学家等岗位，把庞大的数据变成临床决策的线索。

目录
  1. 可视化演示
  2. 公共数据宝库
  3. 多组学数据家族
  4. 数据获取与预处理
  5. 差异表达分析
  6. 生存分析建模
  7. 多组学整合策略
  8. AI 预测模型
  9. 实战流程与挑战
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示TCGA/UK Biobank/CPTAC三大公共多组学数据资源：三大资源概览（TCGA 33癌症11K四组学+UKB 50万人群健康+CPTAC蛋白组1K）、数据特征对比（样本量UKB 50万>TCGA 11K>CPTAC 1K+组学覆盖TCGA 4>UKB 2>CPTAC 1）、应用场景（标志物/药靶/人群/亚型/蛋白功能五大研究方向）,三模式切换理解数据资源全貌。

本节配有交互动效（进入视口后自动加载，约 3KB）。

'+C1+'

公共数据宝库

想象你是一名医学侦探，负责调查一桩“肿瘤悬案”。案发地（肿瘤组织）早已被固定成福尔马林样本，你无法回到现场，只能依赖过去保存的档案。好在这世间有三座开放的数据档案馆，恰好为你保存了不同类型的分子证据。你不需要亲自造出这些数据，只需要学会如何借阅、调档和交叉比对。

第一座是 TCGA（The Cancer Genome Atlas，癌症基因组图谱），它收录了 33 种癌症、超过 1.1 万例肿瘤样本的基因测序和表达数据，像一部详尽的“癌症专题卷宗”。第二座是 UK Biobank（英国生物样本库），它追踪 50 万英国志愿者的基因型、生活方式和医疗记录，是罕见的“人群健康随访档案”。第三座是 CPTAC（临床蛋白质组肿瘤分析联盟），它在 TCGA 样本上补充了蛋白质组与磷酸化蛋白质组数据，相当于“物证化验室”提供的蛋白图谱。

三座档案馆的数据各有侧重：TCGA 长于肿瘤样本量丰富、癌种覆盖广；UK Biobank 长于人群规模巨大、长期随访关联强；CPTAC 长于蛋白质层精准测量。虽然它们的变量类型和授权方式不尽一致，但都遵循“研究用途申请获批后可访问”的原则。了解授权体系，是使用这些公共资源的第一步，也决定了你能否合法地将数据用于 AI 模型训练。

换句话说，做癌症研究，第一步就是知道该去哪座档案馆借哪本卷宗。TCGA 让你看到癌症内部的分子变化，UK Biobank 帮你在人群中验证这些变化是否影响疾病结局，CPTAC 则把线索具体到蛋白质层面。三座馆互为补充，拼出了破案的第一张地图。

多组学数据家族

走进档案馆，你会发现四种最关键的“证据类型”。第一种是基因组数据，它像犯罪现场留下的指纹——一旦发生突变，就永久刻在 DNA 上，告诉我们“谁动过手”。SNV（单核苷酸变异）是单个碱基的改变，CNV（拷贝数变异）是基因片段数量的增减，两者都能指示出驱动癌症的关键基因异常。

第二种是转录组数据，它像目击证人的口供——反映细胞当下正在“读”哪些基因、执行哪些指令。RNA 测序技术（RNA-seq）可以量化每个基因的表达水平，揭示肿瘤异常活跃的信号通路。第三种是蛋白质组数据，它像监控录像的实锤——RNA 说了不一定做，蛋白丰度才是真正“在岗工作”的分子，CPTAC 正是补充了这层证据。

第四种是表观遗传数据，最常见的检测对象是 DNA 甲基化。它像犯罪动机评估——不改变 DNA 字母，却能在“开关”层面控制基因是否表达。一个基因即使序列完好，一旦启动区域被甲基化，也会被静默。

多组学的精髓就在于此：单看任何一类证据都可能误判，把指纹、口供、实锤和动机结合起来，才能对肿瘤行为做出完整刻画。

数据获取与预处理

档案馆的卷宗不能直接搬回家分析，必须先填写借阅申请。TCGA 与 CPTAC 的数据通过 GDC（Genomic Data Commons）等公共平台下载；UK Biobank 则需要提交研究计划，获批后通过专用渠道获取。拿到原始数据后，你面对的通常是噪声很大的矩阵文件：实验批次不同、测序深度不同、量纲更是千差万别。这就是“整理证据”阶段。

这一阶段有两个关键任务。第一是批次效应校正：不同实验室、不同日期产出的数据会带系统性偏差，就像同一支笔在不同纸张上留下的墨迹颜色不同；常用 ComBat 等算法消除这些技术差异。第二是标准化与归一化：基因表达量和蛋白丰度的尺度可能相差几个数量级，直接建模会让高数值特征主导模型，因此需要把每个特征放到统一的尺度上比较。

最常见的标准化方式是 z-score，它把原始值转换成“距离均值多少个标准差”：

整理过的证据才能纳入下一步破案分析。如果省略批次校正和标准化，后续找到的“差异基因”或训练出的 AI 模型，很可能只是在拟合技术噪声，而不是真实的生物学信号。

z=x−μσz = \frac{x - \mu}{\sigma}
z 值表示某个样本的表达量在全部分布中的相对位置；z 越大，说明该样本偏离平均水平的程度越大。
  1. 计算均值对某个特征的全部样本求平均，先找到数据的中心位置。
    μ=1n∑i=1nxi\mu = \frac{1}{n}\sum_{i=1}^n x_i
  2. 计算标准差衡量所有样本偏离均值的平均幅度，反映数据的离散程度。
    σ=1n∑i=1n(xi−μ)2\sigma = \sqrt{\frac{1}{n}\sum_{i=1}^n (x_i - \mu)^2}
  3. 执行标准化用原始值减去均值再除以标准差，让所有特征都落到均值为 0、标准差为 1 的同一尺度。
    z=x−μσz = \frac{x - \mu}{\sigma}

差异表达分析

证据整理完毕后，侦探要回答第一个问题：肿瘤样本和正常样本之间，哪些基因的“口供”明显不同？这就像并排比对案发现场与对照现场，找出最反常的线索。差异表达分析正是为大规模基因表达矩阵做这件事。

统计上常用 t 检验来判断两组表达均值是否有显著差异，同时用 log2 倍数变化（log2 Fold Change）衡量差异的大小。为什么取对数？因为基因表达常呈指数级变化，直接用倍数会失衡：上调 4 倍与下调 4 倍在原始尺度上是 4 和 0.25，不对称；取 log2 后变成 +2 和 -2，便于统一阈值筛选。

但这里有一个陷阱：一次分析常常同时检验上万条基因。如果每个基因都用 p < 0.05 来判断，即使没有真实差异，也会出现约 5% 的假阳性。因此需要用 FDR（错误发现率）做多重比较校正，常用 Benjamini-Hochberg（BH）方法控制假阳性比例。筛选出的差异基因，就是最有价值的“头号嫌疑人”。

log⁡2FC=log⁡2(ExprcaseExprcontrol)\log_2\text{FC} = \log_2\left(\frac{\text{Expr}_{\text{case}}}{\text{Expr}_{\text{control}}}\right)
当 log2FC ≥ 1 表示表达量上调至原来的 2 倍以上；log2FC ≤ -1 表示下调至原来的 1/2 以下。
  1. 计算倍数变化将肿瘤组的平均表达量除以正常组的平均表达量，得到原始倍数变化。
    FC=ExprcaseExprcontrol\text{FC} = \frac{\text{Expr}_{\text{case}}}{\text{Expr}_{\text{control}}}
  2. 取以 2 为底的对数把“放大/缩小”的倍数压缩成对称的等距刻度。
    log⁡2FC=log⁡2(FC)\log_2\text{FC} = \log_2(\text{FC})
  3. 设定阈值实践中通常保留 |log2FC| ≥ 1 且校正后 p 值小于 0.05 的基因。
    ∣log⁡2FC∣≥1|\log_2\text{FC}| \ge 1

生存分析建模

破案还要回答时间维度的问题：不同分子特征的肿瘤，患者能撑多久？这正是生存分析（Survival Analysis）擅长处理的场景。它不仅要考虑“是否发生死亡或复发”，还要考虑“多久后发生”，临床术语称之为预后分析。

先看 Kaplan-Meier（KM）生存曲线，它像一张“存活时间表”，展示不同分组患者随时间推移的生存概率。KM 曲线只能做单因素比较，当要同时纳入基因表达、年龄、分期等多个特征时，就需要 Cox 比例风险回归模型。Cox 模型的输出不是直接预测生存时间，而是估计每个特征对风险的影响倍数——风险比（HR）。

在 TCGA 数据上，研究者可以根据 Cox 模型的预测得分把患者划分为“高风险组”和“低风险组”，再比较两组的生存差异。这种风险分层是精准医疗中最常见的落地方式，直接指导临床决定谁需要更积极干预。

h(t∣X)=h0(t)⋅exp⁡(β1x1+β2x2+⋯+βpxp)h(t|X) = h_0(t) \cdot \exp(\beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_p x_p)
模型把多个协变量对风险的影响组合为一个乘数；exp(β) 就是该特征的风险比，大于 1 表示危险，小于 1 表示保护。
  1. 确定基线风险h₀(t) 是所有协变量为 0 时的基础风险，只随时间变化，不随样本特征改变。
    h0(t)h_0(t)
  2. 构造线性组合每个特征 xᵢ 乘以回归系数 βᵢ，再求和。
    β1x1+β2x2+⋯+βpxp\beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_p x_p
  3. 指数映射为正数ε 的指数运算能把任意实数映射为正值，保证风险函数恒为正。
    exp⁡(β1x1+β2x2+⋯+βpxp)\exp(\beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_p x_p)
  4. 解释为风险比当特征 xᵢ 增加一个单位而其他特征不变时，风险变为原来的 exp(βᵢ) 倍。
    exp⁡(βi)\exp(\beta_i)

多组学整合策略

前几节分别分析了基因组、转录组、蛋白质组和甲基化数据，但真正的破案高手必须把所有证据拼成一张完整地图。多组学整合策略要解决的核心问题是：如何让不同维度、不同量纲的数据协同工作，而不是简单地堆在一起？目前有三类主流思路。

第一类是早期融合（early fusion），把标准化后的基因组、转录组、蛋白质组特征直接拼接成一个宽特征矩阵，再交给机器学习模型。优点是简单直观，缺点是高维特征会急剧增加计算负担和过拟合风险，往往需要配合降维或特征选择。第二类是晚期融合（late fusion），先对每个组学单独建模，再把各模型的预测概率作为新特征进行集成，相当于“让指纹专家、口供专家分别下结论，再综合裁决”。

第三类是潜因子方法，如 NMF（非负矩阵分解）和 MoCluster。它们假设多组学数据背后存在共享的低维潜在因子，通过分解矩阵寻找样本的公共模式。举一个简单的加权整合思路：

整合不是目的，提升预测能力才是。好的整合策略能在保留信号的同时抑制技术噪声，让后续 AI 模型学到更稳健的生物学模式。

si=w1zi1+w2zi2+w3zi3s_i = w_1 z_{i1} + w_2 z_{i2} + w_3 z_{i3}
用权重把多个组学的标准化得分合成一个综合风险分数，既保留各维度信息，又避免直接拼接带来的高维灾难。
  1. 对各组学做标准化得到第 i 个样本在三个组学上的可比分量。
    zi1=xi1−μ1σ1,zi2,zi3z_{i1} = \frac{x_{i1} - \mu_1}{\sigma_1},\quad z_{i2},\quad z_{i3}
  2. 赋予权重不同组学对疾病的重要程度不同，用 w 表示每个维度的贡献。
    w1,  w2,  w3≥0w_1,\; w_2,\; w_3 \ge 0
  3. 加权求和把标准化分量与权重相乘后累加，得到综合得分 sᵢ。
    si=w1zi1+w2zi2+w3zi3s_i = w_1 z_{i1} + w_2 z_{i2} + w_3 z_{i3}

AI 预测模型

证据齐全之后，就该让 AI“警犬”上场了。在组学数据这样的高维表格场景中，随机森林和 XGBoost 是最实用的起点。它们能处理大量特征、对非线性关系敏感，还能输出特征重要性。实际操作中通常先用交叉验证调参，再用独立测试集评估模型是否真的学会规律。

评价一个二分类模型（比如“高风险 vs 低风险”），最常用的指标是 AUC（Area Under the ROC Curve），它衡量模型把正样本排在负样本前面的能力。AUC 的计算思路很直观：随机抽一个正样本和一个负样本，看模型给正样本打的分数是否更高，把所有配对比较结果求平均：

除了预测性能，AI 模型还要“解释得清”。SHAP 特征归因是当前最流行的解释方法，它能量化每个基因特征对患者预测结果的贡献方向和大小，帮助医学生物学家理解模型为什么把某位患者判为高风险。这样模型既“好用”，又“可信”。

AUC=1m×n∑i=1m∑j=1nI(si+>sj−)\text{AUC} = \frac{1}{m \times n} \sum_{i=1}^{m} \sum_{j=1}^{n} \mathbb{I}\left(s_i^+ > s_j^-\right)
AUC = 0.9 的含义是：随机抽取一个正样本与一个负样本，模型有 90% 的概率把正样本的评分排得更高。
  1. 收集正样本得分共有 m 个正样本，每个样本有一个预测分数。
    s1+,s2+,…,sm+s_1^+, s_2^+, \ldots, s_m^+
  2. 收集负样本得分共有 n 个负样本，得到对应的预测分数。
    s1−,s2−,…,sn−s_1^-, s_2^-, \ldots, s_n^-
  3. 逐对比较如果正样本得分大于负样本得分，指示函数取 1，否则取 0。
    I(si+>sj−)\mathbb{I}\left(s_i^+ > s_j^-\right)
  4. 求配对平均把 m×n 个配对结果求和后取平均，得到该模型的 AUC。
    1m×n∑i=1m∑j=1nI(si+>sj−)\frac{1}{m \times n}\sum_{i=1}^{m}\sum_{j=1}^{n} \mathbb{I}\left(s_i^+ > s_j^-\right)

实战流程与挑战

最后，让我们把整条流水线串成一个完整案例：乳腺癌分子分型。研究者从 TCGA 下载乳腺癌肿瘤样本的转录组数据，用差异表达分析找出与正常组织显著不同的基因，再用这些基因作为特征训练分类模型，将患者分为 Luminal、HER2 富集、Basal 等亚型。随后引入 CPTAC 的蛋白质组数据做晚期融合验证，进一步提升分型的稳健性；如果还需评估预后，则用 Cox 模型计算风险得分并绘制 KM 曲线。

这条流程看起来很顺，但真实施践中处处是坑。第一是数据隐私与合规：UK Biobank 对数据用途有严格限制，使用公共数据前必须确认研究目的符合授权条款，模型部署到临床前还要通过伦理审查。第二是过拟合与小样本问题：TCGA 样本量虽大，但某些罕见癌症亚型可能只有几十例；高维特征加上小样本，模型很容易“背答案”而不是学规律。第三是批次效应残留：如果训练集和独立验证集来自不同实验平台，模型性能可能大幅缩水。

所以，一位称职的“数据侦探”永远不会把档案上的结论直接复制进结案报告。他会反复问：数据来源合规吗？预处理充分吗？模型在独立队列上仍然鲁棒吗？只有经得起外部验证的模型，才能真正从公共多组学数据中挖掘出对患者有价值的信息。

AI 应用场景

肿瘤生物标志物发现

阶段：数据分析与建模阶段

解决的问题：传统方式依赖单组学或小样本队列，很难发现可靠的癌症早期标志物。利用 TCGA 和 CPTAC 的公共数据，AI 能整合转录组与蛋白质组特征，从海量基因中筛选出在肿瘤组织中稳定差异表达、且与预后显著相关的候选标志物。

具体案例：某研究团队从 TCGA 下载肺腺癌 RNA-seq 数据，用差异表达分析锁定 200 个候选基因，再用 CPTAC 蛋白质组数据验证这些基因在蛋白层面是否同样上调，最后用随机森林筛选出 5 个核心标志物组合。

药物靶点与风险分层模型

阶段：模型训练与验证阶段

解决的问题：肿瘤异质性导致“同病不同命”，需要把患者划分为不同风险层级再匹配治疗方案。传统 Cox 回归只能处理少数手工挑选的基因，无法充分利用多组学高维信息。

具体案例：研究团队基于 TCGA 乳腺癌数据训练 XGBoost 模型，输入转录组、甲基化和蛋白质组三类标准化特征，输出高风险/低风险类别；随后用 UK Biobank 的独立人群数据验证模型在不同种族背景下的稳定性，用于辅助临床决策。

Python 演示

python34 行
# -*- coding: utf-8 -*-"""多组学整合与风险预测演示"""import numpy as npfrom sklearn.ensemble import RandomForestClassifierfrom sklearn.metrics import roc_auc_scorefrom sklearn.model_selection import train_test_split def simulate_omics(n_samples=200, n_features=300, seed=42):    """模拟三组组学特征：转录组、甲基化、蛋白质组"""    rng = np.random.default_rng(seed)    rna = rng.normal(0, 1, (n_samples, n_features))    meth = rng.normal(0, 1, (n_samples, n_features))    prot = rng.normal(0, 1, (n_samples, n_features))    signal = rng.normal(0, 0.5, (n_samples,))    rna[:, :10] += signal[:, None] * 2    meth[:, :10] -= signal[:, None] * 1.5    y = (signal > 0).astype(int)    X = np.hstack([rna, meth, prot])    return X, y def main():    X, y = simulate_omics()    X_train, X_test, y_train, y_test = train_test_split(        X, y, test_size=0.2, random_state=42)    clf = RandomForestClassifier(n_estimators=100, random_state=42)    clf.fit(X_train, y_train)    y_prob = clf.predict_proba(X_test)[:, 1]    auc = roc_auc_score(y_test, y_prob)    print("测试集 AUC = %.3f" % auc)    imp = np.argsort(clf.feature_importances_)[::-1][:5]    print("前5个重要特征索引:", imp) if __name__ == "__main__":    main()
目的：模拟生成转录组、甲基化、蛋白质组三类组学特征并拼接，训练随机森林分类模型，输出测试集 AUC 和最重要的特征索引。
  1. rna = rng.normal(0, 1, (n_samples, n_features))用标准正态分布模拟一组基因表达矩阵，相当于“证人档案”。
  2. rna[:, :10] += signal[:, None] * 2前 10 个特征注入真实“生物学信号”，让模型有规律可学。
  3. X = np.hstack([rna, meth, prot])三个组学矩阵水平拼接，演示“早期融合”策略。
  4. clf = RandomForestClassifier(n_estimators=100, random_state=42)创建随机森林模型，兼顾稳定性和可解释性。
  5. y_prob = clf.predict_proba(X_test)[:, 1]输出每个测试样本属于高风险类的概率。
  6. auc = roc_auc_score(y_test, y_prob)用 AUC 评价模型把高风险样本排在前面，反映了文章中的求均值思想。

常见误区

误区很多初学者以为 TCGA、UK Biobank、CPTAC 叫“公共数据”，就意味着完全公开免费，不需要授权、审核或合规审查，下载后想怎么用就怎么用。

正解公共是对科研界免费开放，不代表无限制。TCGA 部分受控数据需要通过 dbGaP 申请，UK Biobank 必须提交研究计划并获得批准。这就像图书馆免费开放，但珍本古籍要填登记表才能借阅。

为何常见：名字里带“公共”，且大量教程只演示下载命令而不讲解授权流程，容易让人形成天然误解。

误区把基因组、转录组、蛋白质组数据直接 np.hstack 拼在一起，觉得维度越多信息越全，模型自然更准，结果却常常严重过拟合。

正解不同组学量纲差异大、噪声结构不同，直接拼接会让高方差特征主导模型。早期融合前必须做标准化和特征选择，还要对比晚期融合效果，才能选出最优策略。

为何常见：拼接操作太简单，代码三行就能跑通，初学者很难意识到高维灾难的严重性。

误区初学者只看 p 值，认为每个基因单独做 t 检验、p < 0.05 就可以确定为差异表达基因，不管差异大小和多重比较问题。

正解p 值衡量统计显著性，不衡量效应大小。上万次检验必须做 FDR 校正，否则会制造大量假阳性；同时应结合 log2FC 阈值判断差异幅度。就像指纹比对，不能只看“是否匹配”，还要看相似度分值是否足够高。

为何常见：入门统计学反复强调 p < 0.05，缺少多重比较和效应量的概念，容易形成思维惯性。

误区看到模型 AUC = 0.95，就断言可以直接用于医院诊断，甚至不做外部队列验证。

正解AUC 是整体排序能力，不能反映特定阈值下的灵敏度/特异度，也不代表在真实人群分布中依然有效。公共数据训练出的模型必须经独立队列验证，并检查校准度和亚组表现才能走临床流程。

为何常见：论文中 AUC 是高频指标，0.9 以上看起来很“漂亮”，容易忽略它在类别不平衡和人群偏移时的局限。

面试题

Q1. 以下哪个数据库最典型的特征是“覆盖 33 种癌症、约 1.1 万例肿瘤样本”？

单选题 · easy

  • A.TCGA 提供多种癌症基因组与转录组数据← 正确答案
  • B.UK Biobank 持续追踪 50 万志愿者队列
  • C.CPTAC 聚焦蛋白质组与磷酸化蛋白质组数据
  • D.GDC 仅作为乳腺癌数据的统一下载门户

答案：A。TCGA 的核心特色是癌症类型覆盖面广，样本以肿瘤为主；UK Biobank 是人群队列，CPTAC 是蛋白组学补充，GDC 只是数据下载门户而非数据库本身。

Q2. 在“多组学证据”比喻中，蛋白质组数据最适合被描述为哪种证据？

单选题 · easy

  • A.监控录像，证明分子真的在“工作”← 正确答案
  • B.犯罪指纹，指向永久性的 DNA 突变
  • C.证人口供，反映细胞正在执行的指令
  • D.行为动机，解释基因是否被静默

答案：A。蛋白质是实际执行功能的分子，像“实锤”监控；基因组像指纹，转录组像口中陈述，甲基化像动机评估。

Q3. 多处公共数据在整合前为什么需要做标准化？

多选题 · mid

  • A.不同组学测量量纲差异巨大，会扭曲模型训练← 正确答案
  • B.标准化可以让基因名称匹配合并
  • C.标准化能扩大批次效应对模型的干扰
  • D.标准化可将不同特征放到同一比较尺度上← 正确答案

答案：AD。量纲差异导致高数值特征主导模型，因此需要 z-score 等标准化手段统一尺度。标准化不会帮助基因名称匹配，也不能扩大批次效应，后两者是错误选项。

Q4. 差异表达分析中，|log2FC| ≥ 1 对应原始表达倍数的含义是？

单选题 · mid

  • A.表达量上调或下调至原来的 2 倍以上← 正确答案
  • B.表达量上调或下调至原来的 10 倍以上
  • C.表达量变化不到原来的 50%
  • D.表达量变化恰好等于 0

答案：A。log2 以 2 为底，log2FC = 1 表示表达量为 2 倍，log2FC = -1 表示表达量为 0.5 倍；阈值 |log2FC| ≥ 1 即变化至少 2 倍。

Q5. FDR（错误发现率）校正解决的核心问题是什么？

单选题 · mid

  • A.大规模多重假设检验产生的大量假阳性← 正确答案
  • B.单次 t 检验的检验功效不足
  • C.样本量太小导致的统计功效下降
  • D.基因注释不完整造成的偏差

答案：A。同时检验上万个基因时，即使没有真实差异，也会有约 5% 的假阳性；FDR 控制所有显著结果中假阳性的比例，是差异表达分析的必要步骤。

Q6. 关于 Cox 模型 h(t|X)=h₀(t)exp(βX)，以下说法正确的是？

多选题 · hard

  • A.h₀(t) 是基线风险函数，不随样本特征改变← 正确答案
  • B.exp(β) 可以解释为对应特征的风险比← 正确答案
  • C.h₀(t) 会随特征 X 的变化而明显改变
  • D.该模型完全不需要任何验证假设

答案：AB。h₀(t) 描述时间维度的基线风险，与个体特征无关；exp(β) 表示特征增加一个单位时风险的倍数变化。C 与基线定义矛盾，D 忽视了比例风险假设需要验证。

Q7. 在多组学整合中，“早期融合”的典型做法是？

单选题 · easy

  • A.各组学特征标准化后拼接再送入模型← 正确答案
  • B.每个组学独立建模后再集成预测结果
  • C.只保留表达量最高的组学特征
  • D.先做聚类再对每个簇单独建模

答案：A。早期融合是把多组学特征先拼成宽矩阵再建模；分别建模再集成的策略是“晚期融合”，C 和 D 不符合早期融合定义。

Q8. AUC = 0.85 在二分类模型中最直接的含义是什么？

单选题 · mid

  • A.随机正样本得分高于随机负样本的概率约 0.85← 正确答案
  • B.模型对所有样本的预测准确率为 85%
  • C.模型在正样本上的召回率等于 85%
  • D.正负样本的数量比例约为 85:15

答案：A。AUC 本质上是对所有正负配对样本比较排序正确率的平均。85% 的 AUC 不是准确率，也不直接等于召回率，更不能推出样本比例。

Q9. 使用 UK Biobank 等公共数据开展研究时，合规与防过拟合的合理措施是？

多选题 · hard

  • A.只使用去标识化数据并严格遵守使用条款← 正确答案
  • B.在训练集反复调参直到训练错误率为零
  • C.使用交叉验证并保留独立测试集评估← 正确答案
  • D.将参与者姓名加入训练特征提升预测力

答案：AC。去标识化与条款遵循是隐私合规底线，交叉验证与独立测试集是防止过拟合的关键。B 描述的是过拟合行为，D 违反隐私原则。

Q10. SHAP 特征归因在 AI 模型中最主要的用途是什么？

单选题 · mid

  • A.量化每个特征对预测结果的贡献方向与大小← 正确答案
  • B.自动删除所有低表达的无用基因
  • C.把高维组学数据降为二维可视化坐标
  • D.计算基因在群体中的突变频率

答案：A。SHAP 基于博弈论为每个特征分配一个归因值，既显示贡献方向也显示大小，帮助研究者解释模型决策；它不是特征过滤、降维或突变率工具。