血小板蛋白质组最为丰富（5,793 个蛋白质），而我们在红细胞中检测到 2,069 个蛋白质，富血小板血浆中检测到 1,682 个，在无血小板血浆中检测到 912 个。
这篇文章并不是疾病机制论文，而是一篇方法学（Methodology）论文。因此无法按照“疾病→代谢→表观→转录→细胞状态→组织病理”的机制链分析，而应采用Reviewer + 生信方法学视角进行解读。
文献：
Geyer PE, et al. Plasma Proteome Profiling to detect and avoid sample-related biases in biomarker studies. EMBO Molecular Medicine, 2019. (PMC)
Step 1 科研逻辑结构拆解
| 模块 | 内容 | 作用 |
|---|---|---|
| 研究问题 | 为什么很多血浆蛋白组(Blood plasma proteomics)生物标志物最终无法重复验证？ | 解决蛋白组学临床转化难题 |
| 领域缺口 | 大多数研究关注MS技术本身，却忽略了采血、离心、凝血、血小板污染、红细胞溶血等前分析(pre-analytical)误差。 | 原文”The paper explained—Problem”部分明确提出这一问题。 (PMC) |
| 核心假说 | 大量所谓”疾病marker”其实来源于样本质量，而不是疾病本身。 | 提出Sample Quality Marker概念 |
| 主机制链 | 样本处理错误 → 血细胞污染 → Plasma protein组成改变 → 假阳性Biomarker → 临床验证失败 | 本文核心逻辑 |
| 生信推进方式 | 建立Reference Proteome → Spike-in实验 → 寻找污染特异蛋白 → 构建Quality Marker Panel | 生信主要用于质量控制，而非疾病发现 |
| 实验闭环 | 人工加入不同程度RBC、Platelet污染 → MS检测 → 建立Marker Panel → 回顾200余篇文献验证 | 方法学闭环 |
| 因果起点 | Spike-in污染实验开始建立因果，而不是临床样本相关分析。 | 属于较强实验设计 |
1. 提出来 如何评价样本好不好五、作者建立了三个Quality Marker Panel
Panel 检测什么 为什么重要
Erythrocyte panel 红细胞污染 判断是否发生溶血
Platelet panel 血小板污染 判断离心是否充分、样本是否混入血小板
Coagulation panel 凝血影响 判断血浆是否受到凝血过程影响
1. 首先知道各个组分有哪些蛋白特异性表达
2. 如果我观察top的蛋白就知道是否有污染了
spike in 是为了建立污染计量和蛋白组分的联系
建立 Reference Proteome
↓
知道每个蛋白来自哪个血液组分（Protein Origin）
↓
筛选组分特异且稳定表达的蛋白
↓
构建 Sample Quality Marker Panel
↓
检测临床血浆样本
↓
判断异常蛋白是”疾病信号”还是”样本污染”
当你实验做完了
1. 你能做的
2. 以后实验纠偏
3. 删除样本 重新分析
4. 加入协变量分析 但是我不是很懂这个协变量分析，是一个打分
Step 2 技术—结果—机制绑定
| 分析方法 | 得到结果 | 生物学意义 | 推动后续实验 | 类型 |
|---|---|---|---|---|
| 深度MS蛋白组 | 建立红细胞、血小板、血浆参考蛋白组（>6000蛋白） | 获得正常背景 | 构建污染数据库 | 发现型 |
| Reference Proteome | 不同血液成分蛋白表达谱完全不同 | 可以识别污染来源 | Marker筛选 | 机制推断型 |
| Spike-in实验 | 红细胞污染产生稳定蛋白变化 | 建立污染与蛋白变化因果 | 构建QC Panel | 验证型 |
| Serum vs Plasma比较 | 凝血导致大量蛋白变化 | Serum与Plasma不可混用 | 凝血Marker建立 | 验证型 |
| Literature Review | 约50%的已发表血浆蛋白组研究可能受样本质量影响 | 说明问题具有普遍性 | 推广QC流程 | 转化型 |
不同的采样方法 可能不可比较
从生信角度真正值得学习的内容
这篇文章最大的价值不是发现新的生物标志物，而是提出了一个很多生信分析容易忽略的问题：
真正影响差异分析（DEG/DEP）的，可能不是疾病，而是样本质量。 (PMC)
对于蛋白组、生信分析而言，这意味着：
- 批次效应（Batch effect） 不仅来自仪器，也来自采样流程。
- 红细胞裂解（Hemolysis） 会导致血红蛋白、CA1、CA2、AHSP 等蛋白假性升高。
- 血小板污染 会导致PF4、PPBP等蛋白异常升高。
- 部分凝血 会改变凝血相关蛋白丰度，造成假差异。
因此，在正式做差异蛋白分析之前，应先做QC（Quality Control），否则后续GO、KEGG、机器学习乃至生物标志物筛选都可能建立在偏倚数据上。
Reviewer视角（高分论文最关注）
为什么很多Biomarker不能重复？
Reviewer会认为它具有以下优点：
- 建立了标准化QC流程，可直接用于临床蛋白组研究。
- 采用Spike-in实验，从相关性提升到因果验证。
- 提供了在线质量评估工具和样本处理建议、
对你做生信课题最重要的启发
- 血浆蛋白组
- 外泌体蛋白组
- 液体活检
- 临床蛋白Marker筛选
建议将这篇文章作为质控标准文献引用，而不是作为机制论文引用。
Step 4 — Reviewer视角批判（Methodology论文）
这篇论文的优势在于建立了血浆蛋白组样本质量控制（QC）体系，但从Reviewer角度，仍有一些值得质疑或进一步完善的地方。
| Reviewer关注点 | 评价 | 可能质疑 |
|---|---|---|
| 因果还是相关？ | ⭐⭐⭐⭐☆ | Spike-in实验人为加入红细胞、血小板污染，较好地证明了污染会导致蛋白变化，因果性强于单纯临床相关分析。但真实临床样本中的污染更复杂（运输、冻融、多次离心等），模型不能覆盖所有情况。 |
| 样本量是否足够？ | ⭐⭐⭐☆☆ | 构建参考蛋白组的实验设计合理，但建立Marker Panel主要依赖健康供体，疾病状态下是否仍保持稳定，需要更多独立队列验证。 |
| Batch effect是否充分控制？ | ⭐⭐⭐⭐☆ | 作者采用标准化质谱流程，降低了技术批次效应。但不同实验室、不同质谱平台之间的可重复性仍需进一步验证。 |
| 是否过拟合？ | ⭐⭐⭐⭐☆ | Marker Panel来源于明确的生物学污染来源，而非机器学习筛选，因此过拟合风险较低。但阈值可能需要针对不同平台重新校准。 |
| 是否只有数据库结果？ | ⭐★★★★ | 否。文章包含Spike-in实验、参考蛋白组构建和文献回顾，不是纯计算分析。 |
| 是否缺关键验证实验？ | ⭐⭐⭐☆☆ | 缺少多中心、不同医院样本的前瞻性验证，也未评估不同疾病（如炎症、肿瘤）是否影响QC Marker本身。 |
| 转化价值是否充分？ | ⭐⭐⭐⭐☆ | 提供了可直接应用于血浆蛋白组研究的QC流程，具有较高实用价值，但临床常规检测中的推广成本和标准化仍需评估。 |
最薄弱的机制环节
虽然文章证明了：
样本污染 → 蛋白组成改变
但并未完全证明：
样本污染 → 所有已发表Biomarker均失效
原因是：
- 文献回顾只能说明存在污染风险，不能证明每一个Biomarker都是假阳性。
- 某些疾病确实会引起红细胞裂解或血小板激活，这些变化既可能是疾病特征，也可能与采样过程叠加。
因此，Reviewer可能会要求进一步区分：
- 疾病本身导致的蛋白变化
- 采样过程导致的人工变化
最容易被拒稿的位置（如果没有补充实验）
如果作者仅完成以下工作：
- 建立Reference Proteome
- 提出QC Marker
- 没有Spike-in实验验证
那么论文很可能会被质疑为：
“只是描述性观察，没有证明这些Marker确实能够反映污染。”
Spike-in实验正是本文建立因果关系的关键，因此也是论文能够发表在高水平期刊的重要原因。
证据最不足的地方
从Reviewer角度，以下几个问题仍可进一步加强：
-
疾病背景验证不足
- Marker主要来自健康样本，缺少不同疾病（肿瘤、自身免疫、感染等）中的系统验证。
-
平台泛化能力
- 是否适用于不同质谱平台、不同实验室、不同样本处理流程，仍需多中心研究。
-
污染类型覆盖有限
- 重点关注红细胞、血小板和凝血相关污染，对脂血、黄疸、高胆红素、长期储存、反复冻融等其他常见前分析因素涉及较少。
对你做生信课题的启示（Reviewer最关注）
如果你准备发表蛋白组、生物标志物或液体活检相关论文，这篇文章最大的启发不是某个分析方法，而是实验设计理念：
- 在做差异分析前先做QC分析，排除样本污染带来的假阳性。
- 将QC指标作为协变量纳入统计模型，而不是仅关注疾病分组。
- 在补充材料中报告样本质量控制流程，能够显著提升论文的可信度。
- 对于发现的候选Biomarker，应验证其与QC Marker无显著相关性，以证明其反映的是疾病信号而非样本质量。
Reviewer总体评价
优点：
- 创新性高，解决了血浆蛋白组领域长期存在的可重复性问题。
- 实验设计完整，Spike-in实验增强了因果证据。
- 具有较强的标准化和推广价值。
主要不足：
- 疾病队列验证和跨平台验证仍不充分。
- QC Marker的泛化能力需要更多真实世界数据支持。
- 尚不能完全排除疾病生物学变化与样本污染之间的混杂效应。
从方法学论文的标准来看，这是一篇设计严谨、影响力较大的工作，其最大的贡献不是提出新的疾病机制，而是为后续血浆蛋白组研究建立了可靠的质量控制框架。
Step 5——可迁移课题模板（高分机制论文设计）
这篇EMBO MM论文真正值得学习的不是MS技术，而是一种高分方法学论文的设计思路：
先发现一个领域普遍存在但被忽视的问题 → 建立标准化分析流程 → 实验证明该流程有效 → 推广到大量公开数据验证。
一、本文Workflow拆解
发现领域问题
↓
建立Reference Database
↓
寻找稳定Marker
↓
实验验证（Spike-in）
↓
建立评分体系(QC Panel)
↓
公开数据验证
↓
形成标准流程核心标准建立（Standardization）“。
二、迁移到生信课题（最值得借鉴）
例如你做TCGA/GEO，不应该直接：
TCGA
↓
DEG
↓
GO
↓
发表这是典型低分套路。
应该改成：
TCGA
↓
发现数据存在偏倚
↓
建立质量评价指标
↓
筛除低质量样本
↓
重新寻找Marker
↓
多队列验证
↓
实验验证Reviewer会认为你的分析更加可靠。
三、可直接复用的高分Workflow
模板一：Bulk RNA机制论文（★★★★★）
TCGA/GEO
↓
QC
(批次效应、肿瘤纯度、RNA质量)
↓
DEG
↓
WGCNA
↓
GSEA/GSVA
↓
Immune infiltration
↓
机器学习筛选Hub Gene
↓
外部队列验证
↓
IHC/qPCR
↓
功能实验最关键一步：QC。
很多论文直接跳过。
模板二：单细胞机制论文（Nature子刊常见）
scRNA
↓
QC
↓
Harmony去Batch
↓
细胞注释
↓
DEG
↓
SCENIC
↓
CellChat
↓
Monocle
↓
空间转录组
↓
组织验证本文告诉我们的思想：
QC决定后面所有分析是否可信。
模板三：蛋白组论文（与本文最接近）
Raw data
↓
Sample QC
↓
Hemolysis Score
↓
Platelet Score
↓
Batch correction
↓
DEP
↓
Pathway
↓
Machine Learning
↓
Biomarker
↓
ELISA验证这是目前高水平蛋白组研究越来越常见的流程。
四、高分机制套路（本文最大的启发）
不是：
发现新Marker而是：
发现别人为什么找不到真正Marker这种论文回答的是：
“为什么以前的方法不可靠？”
Reviewer通常更容易认可。
五、哪些步骤最关键？
| 步骤 | 重要性 | Reviewer关注点 |
|---|---|---|
| QC | ⭐⭐⭐⭐⭐ | 是否保证数据可信 |
| Reference建立 | ⭐⭐⭐⭐⭐ | 是否有统一标准 |
| Spike-in验证 | ⭐⭐⭐⭐⭐ | 是否建立因果 |
| 多中心验证 | ⭐⭐⭐⭐ | 是否具有泛化能力 |
| 文献验证 | ⭐⭐⭐ | 是否证明问题普遍存在 |
真正决定论文质量的是：
Reference + Validation
而不是机器学习。
六、哪些步骤最容易灌水？
很多文章喜欢：
DEG
↓
GO
↓
KEGG
↓
PPI
↓
Hub Gene
↓
ROC
↓
结束Reviewer基本都会认为：
**“只是换数据库。”
没有解决新的科学问题。**
七、哪些步骤最容易发高分？
真正容易进入高分期刊的是：
① 建立标准（★★★★★）
例如本文：
建立QC Marker Panel
以后别人都要引用。
② 建立评分体系（★★★★★）
例如：
Immune Score
Hypoxia Score
Stemness Score
Senescence Score
Hemolysis Score（本文）
这种Score具有可复用性。
③ 建立分析流程（★★★★★）
例如：
Raw Data
↓
QC
↓
Correction
↓
Discovery
↓
Validation
高影响力往往来自流程创新而不仅是生物学发现。
八、如果升级成Nature级课题，可以怎么做？
本文主要停留在：
蛋白组
↓
QC Marker
↓
实验验证
下一代课题可以升级为：
Bulk Proteomics
↓
单细胞蛋白组
↓
空间蛋白组
↓
AI自动识别污染来源
↓
多组学QC评分
↓
建立国际标准QC平台这将把单一蛋白质组QC扩展为跨组学质量控制体系，提升创新性和影响力。
对你做生信的最大启发
结合你的工作（生信分析员），我认为这篇论文最值得迁移的不是具体的MS技术，而是一个可以应用于RNA-seq、单细胞、空间转录组甚至甲基化数据的理念：
不要急于寻找差异基因，而要先证明你的数据值得相信。
高水平论文的逻辑通常是：
数据可信（QC） → 发现可信（Discovery） → 机制可信（Mechanism） → 转化可信（Validation）
很多生信论文止步于“发现”，而高分论文往往把更多精力投入到前两步（质量控制）和后两步（机制与验证）的完整闭环。
Step 6——生信分析真实作用（不是”做了什么”，而是”为什么必须做”）
这篇论文最大的特点：几乎没有复杂生信算法，但每一步分析都在推进机制。
它证明了一件事：生信分析的价值不是画图，而是回答科学问题。
本文分析流程真正作用
| 分析/方法 | 真正作用 | 为什么必须做 | 不做缺什么 | 是否推进机制 |
|---|---|---|---|---|
| Reference Proteome | 建立正常血液各组分蛋白表达基线 | 没有基线就无法判断哪些蛋白来自污染 | 无法识别污染来源 | ⭐⭐⭐⭐⭐ |
| Proteomics Quantification | 定量每个蛋白丰度 | 判断污染后哪些蛋白变化最大 | Marker无法筛选 | ⭐⭐⭐⭐ |
| Marker Selection | 找到最稳定的污染指示蛋白 | 建立QC体系 | 每次都要重新分析 | ⭐⭐⭐⭐⭐ |
| Spike-in Experiment | 验证Marker是否真正反映污染 | 建立因果关系 | 只能停留在相关性 | ⭐⭐⭐⭐⭐ |
| Serum vs Plasma比较 | 区分采样方式造成的差异 | 排除前分析偏倚 | 容易误认为疾病差异 | ⭐⭐⭐⭐ |
| Literature Review | 检查已发表研究是否受污染影响 | 证明问题具有普遍性 | 创新性不足 | ⭐⭐⭐ |
| QC Panel建立 | 将复杂蛋白信息转化为简单评分 | 实现标准化应用 | 难以推广 | ⭐⭐⭐⭐⭐ |
① Reference Proteome（全文最重要）
很多人认为：
Reference就是背景数据库。
实际上不是。
它真正解决的问题是：
未知蛋白变化
↓
到底来自哪里？
↓
RBC？
Platelet？
Plasma？例如：
如果发现：
Hemoglobin↑
到底说明：
- 疾病导致？
- 红细胞裂解？
- 采样污染？
没有Reference根本无法判断。
所以：
Reference真正作用＝提供生物学解释。
② Marker Selection
很多生信论文：
找差异蛋白
本文：
找污染蛋白
这是完全不同的问题。
Marker不是：
Disease Marker
而是：
Quality Marker
这是本文最大的创新。
③ Spike-in Experiment
这是全文Reviewer最喜欢的一步。
为什么？
因为：
很多蛋白组论文：
污染
↓
蛋白变化
（相关）
本文：
人工加入污染
↓
蛋白变化
（因果）
这是整个论文质量提升最大的地方。
④ Literature Validation
很多人觉得：
文献回顾只是补充。
其实不是。
这里真正回答的是：
这个问题是不是普遍存在？
如果：
只有自己的实验出现污染
Reviewer会说：
So what?
但是：
如果200多篇文章都有这个问题，
意义完全不同。
为什么不用其他生信方法？
下面是Reviewer真正会思考的问题。
| 方法 | 为什么本文没做？ | 原因 |
|---|---|---|
| DEG | ❌ | 目标不是找疾病差异，而是找污染Marker |
| WGCNA | ❌ | 不需要寻找共表达模块 |
| GSEA | ❌ | 不关注通路富集 |
| GSVA | ❌ | 不研究Pathway活性 |
| 单细胞 | ❌ | 已直接分离血细胞组分，无需推断细胞来源 |
| CellChat | ❌ | 不研究细胞通讯 |
| SCENIC | ❌ | 不研究TF调控 |
| Monocle | ❌ | 不研究细胞状态演化 |
启示：
高水平论文不是方法越多越好，而是方法与科学问题高度匹配。
如果换成你的生信课题，这些方法真正作用是什么？
| 分析 | 真正作用 | 为什么必须做 | 不做缺什么 | 是否推进机制 |
|---|---|---|---|---|
| DEG | 找候选基因 | 缩小研究范围 | 无法进入后续分析 | ⭐⭐ |
| GSEA | 提供机制方向 | 判断涉及哪些生物过程 | 只能得到基因列表 | ⭐⭐⭐ |
| GSVA | 样本级通路活性评分 | 比较个体差异 | 无法进行样本分层 | ⭐⭐⭐ |
| WGCNA | 找协同调控模块 | 发现关键网络 | 难以识别系统性调控 | ⭐⭐⭐⭐ |
| 单细胞 | 定位异常细胞来源 | 明确表达发生在哪类细胞 | Bulk结果缺乏细胞分辨率 | ⭐⭐⭐⭐ |
| CellChat | 推断细胞间通讯 | 构建微环境调控关系 | 无法解释细胞互作 | ⭐⭐⭐ |
| SCENIC | 推断TF活性 | 寻找上游转录调控 | 难以建立调控链 | ⭐⭐⭐⭐ |
| Monocle | 推断细胞状态变化 | 建立发育/疾病演化轨迹 | 无法分析动态过程 | ⭐⭐⭐ |
| 空间转录组 | 建立空间定位 | 连接组织结构与分子变化 | 缺少空间证据 | ⭐⭐⭐⭐ |
| ChIP/CUT&Tag | 验证TF直接结合 | 建立直接调控证据 | 调控关系仍停留在推断 | ⭐⭐⭐⭐⭐ |
| CRISPR | 功能验证 | 建立因果关系 | 难以证明基因功能 | ⭐⭐⭐⭐⭐ |
Reviewer最欣赏本文的一点
很多生信论文是：
问题
↓
套分析流程
↓
找差异而本文是：
问题
↓
为什么以前的方法失败？
↓
建立新标准
↓
实验验证
↓
形成行业规范分析方法始终围绕科学问题服务，而不是为了展示技术。
对你的生信工作最重要的启发
你在阅读机制论文时，可以把每一种分析都问自己四个问题：
- 为什么必须做这一步，而不是其他方法？
- 这一步解决了哪个科学问题？
- 它推动了后续哪个实验或分析？
- 它提供的是相关性证据，还是因果证据？
如果一项分析回答不了这四个问题，它很可能只是“流程化分析”，而不是推动论文核心结论的关键证据。这也是Reviewer区分普通生信论文和高水平机制论文时最常关注的地方。
Step 7——因果强度分析（Evidence Strength）
这篇EMBO MM论文最大的特点是：
它不是机制论文，但因果证据反而比很多机制论文更强。
原因就在于作者没有停留在相关分析（Correlation），而是通过**人为控制污染（Spike-in）**建立了干预实验。
一、全文证据强度拆解
| 证据 | 本文是否使用 | 强度 | Reviewer评价 |
|---|---|---|---|
| 临床相关分析 | ✓ | ⭐ | 只能发现问题 |
| Differential Protein | ✓ | ⭐ | 只能说明蛋白不同 |
| 共表达分析 | ✗ | ⭐ | 本文没必要 |
| Pathway分析 | ✗ | ⭐ | 与研究问题无关 |
| Reference Proteome | ✓ | ⭐⭐ | 建立背景知识 |
| Spike-in污染实验 | ✓ | ⭐⭐⭐⭐ | 建立污染→蛋白变化因果 |
| 多批次重复实验 | ✓ | ⭐⭐⭐⭐ | 增强可靠性 |
| Literature Validation | ✓ | ⭐⭐ | 证明普遍性 |
| 临床前瞻性验证 | ✗ | ⭐⭐⭐⭐ | 本文缺少 |
| 多中心验证 | ✗ | ⭐⭐⭐⭐⭐ | 最大缺陷 |
二、全文机制证据链
真正逻辑不是：
Disease
↓
Protein而是：
Sample contamination
↓
Blood cell proteins enter plasma
↓
Protein abundance changes
↓
False biomarker
↓
Clinical validation failure这是全文真正的Mechanism。
虽然不是细胞机制，
但是属于：
Methodological Mechanism（方法学机制）
三、哪些地方只是相关？
第一阶段
作者首先观察：
某些蛋白
↓
总是在异常样本中升高这是：
Correlation
因为：
不知道：
到底是污染造成？
还是疾病造成？
所以：
只能说明：
污染
↔
蛋白变化不能写：
污染
↓
蛋白变化四、哪一步开始接近因果？
答案：
Spike-in Experiment
作者：
主动加入：
Red Blood Cell
↓
不同浓度污染
↓
MS检测结果：
Marker随着污染增加而增加。
这里开始变成：
人为改变污染
↓
Marker改变Reviewer最喜欢这种实验。
因为：
变量只有一个。
其它全部固定。
所以：
开始具有：
Intervention Evidence
五、哪一步真正建立机制？
真正建立机制的是：
Reference Proteome
+
Spike-in
+
QC Panel逻辑如下：
Reference
↓
知道蛋白来自RBC
↓
Spike-in
↓
证明RBC进入Plasma
↓
QC Panel
↓
可以预测污染这里已经不是：
统计学。
而是：
机制闭环。
六、为什么比很多Nature子刊还强？
很多机制论文：
实际上是：
Gene A↑
↓
Immune infiltration↑
↓
Survival↓全部来自：
TCGA
Reviewer：
只能说：
Correlation.
但是本文：
有：
人为干预。
所以：
真正逻辑：
人为污染
↓
Marker变化
↓
结果稳定重复已经进入：
Experiment-driven。
七、全文哪些地方仍然不是因果？
虽然Spike-in很好。
但是：
作者最后提出：
很多Published Biomarker
可能是假阳性这里仍然只是：
Literature Analysis不是：
重新做所有实验所以：
Reviewer仍然可以问：
“你证明的是可能存在问题，而不是每一个Marker都是假的。”
这是全文最大的限制。
八、Reviewer真正会攻击哪里？
最大的攻击点：
Healthy donor
↓
建立QC Marker
↓
是否适用于疾病？例如：
癌症患者：
本身：
Hemolysis增加。
那么：
到底：
Disease
↓
Hemoglobin↑还是：
Sample Error
↓
Hemoglobin↑不能完全区分。
这是全文最大的Evidence Gap。
九、如果升级Nature Medicine，会补什么？
Reviewer一般会要求：
第一：
不同疾病验证
Cancer
Autoimmune
Sepsis
Diabetes全部验证QC Marker。
第二：
多中心验证
例如：
Europe
USA
China
Japan不同实验室。
第三：
真实临床流程
不是：
Spike-in。
而是：
真实采血。
例如：
采血后
30 min
↓
60 min
↓
120 min
↓
Protein变化建立：
Real-world QC Model。
第四：
AI预测QC
例如：
输入：
5000 Protein自动预测：
Hemolysis Score
Platelet Score
Storage Score这就是现在很多Nature Methods正在发展的方向。
十、给生信分析员最重要的启示（★★★★★）
这是你以后读所有论文都可以套用的因果强度判断模板：
| 证据类型 | 强度 | 本文是否涉及 | 你读论文时如何判断 |
|---|---|---|---|
| 差异分析（DEG/DEP） | ⭐ | ✅ | 只能说明”不同”，不能说明”为什么不同” |
| 富集分析（GO/GSEA） | ⭐ | ❌ | 提供机制方向，但不是机制证据 |
| 共表达网络（WGCNA） | ⭐ | ❌ | 提示协同变化，不代表调控关系 |
| 单细胞定位 | ⭐⭐ | ❌ | 能定位细胞来源，但不能证明功能 |
| Reference Database | ⭐⭐ | ✅ | 提供生物学背景和解释框架 |
| 人为干预（Spike-in） | ⭐⭐⭐⭐ | ✅ | 改变自变量后观察结果，是强因果证据 |
| 功能实验（KD/OE） | ⭐⭐⭐⭐ | ❌ | 若用于机制论文，可证明基因功能 |
| Rescue实验 | ⭐⭐⭐⭐⭐ | ❌ | 最能证明调控链条成立 |
| 动物模型 | ⭐⭐⭐⭐⭐ | ❌ | 验证体内生物学意义 |
| 多中心前瞻性验证 | ⭐⭐⭐⭐⭐ | ❌ | 验证方法或Marker具有真实临床价值 |
本文前半部分（Reference + 差异蛋白）属于“发现阶段”；Spike-in实验是“因果建立阶段”；QC Panel和文献验证属于“转化阶段”。
这也是它能够发表在高水平期刊的关键：不是停留在发现一个现象，而是通过干预实验建立了可靠的证据链，并最终形成了可推广的质量控制标准。
Step 8——方法学深度解剖（Reviewer最关注）
核心问题不是”作者用了什么方法”，而是”为什么必须用这个方法，而不是别的方法？”
这篇文章最大的特点是：
所有方法都是围绕一个科学问题设计：如何证明血浆蛋白变化来源于样本污染，而不是疾病本身。
Step 8.1 方法学目的
| 方法 | 真正目的 | 为什么必须做 | 为什么不用别的方法 |
|---|---|---|---|
| 深度LC-MS/MS | 尽可能全面检测血浆及血细胞蛋白 | 只有覆盖足够多蛋白，才能筛选稳定QC Marker | ELISA一次只能检测少数蛋白，不适合发现新Marker |
| Reference Proteome | 建立红细胞、血小板、血浆的标准蛋白谱 | 判断蛋白来源 | DEG不能告诉蛋白来自哪种细胞 |
| Marker Selection | 找到污染特异蛋白 | 构建QC Panel | 单纯Fold Change不够稳定，无法形成标准 |
| Spike-in实验 | 人为模拟污染 | 建立因果关系 | 临床样本只能观察，不能控制污染程度 |
| Serum vs Plasma比较 | 评估凝血影响 | 区分采血方式造成的差异 | 仅分析一种样本无法识别凝血偏倚 |
| Literature Review | 评估问题的普遍性 | 证明研究具有广泛意义 | 单中心实验难以体现行业影响 |
Step 8.2 方法 → 结果 → 机制
| 方法 | 得到结果 | 生物学解释 | 推动后续实验 |
|---|---|---|---|
| Reference Proteome | 各血液组分具有特异蛋白表达 | 每种细胞都有独特蛋白指纹 | 筛选污染Marker |
| Marker筛选 | 找到稳定、高特异性的QC蛋白 | 可作为污染指示物 | 构建QC Panel |
| Spike-in | Marker随污染浓度增加而升高 | 蛋白变化由污染直接导致 | 建立因果证据 |
| Serum/Plasma比较 | 凝血改变部分蛋白丰度 | 前分析过程会影响结果 | 提醒样本类型不可混用 |
| 文献验证 | 大量已发表研究可能受QC影响 | 问题具有普遍性 | 推广QC流程 |
可以看到，每一步都直接推动了下一步，没有多余分析。这也是高水平方法学论文的重要特点。
Step 8.3 Reviewer方法学批判
① 为什么不用机器学习？
很多人会想到：
Random Forest、LASSO、XGBoost筛选QC Marker。
Reviewer反而可能认为：
- 模型依赖训练集。
- 不同队列泛化能力有限。
- 容易过拟合。
参考 作者选择的是基于生物学来源筛选Marker，可解释性更强，因此更容易建立行业标准。
② 参数是否影响结果？
存在一定影响：
- 质谱平台不同。
- 蛋白定量算法不同。
- 峰识别参数不同。
- FDR阈值不同。
这些都可能影响Marker丰度，因此未来需要跨平台验证。
③ 是否存在人为偏差？
有一定风险。
例如：
- Spike-in是在实验室条件下完成。
- 与真实运输、保存、反复冻融导致的污染并不完全一致。
因此：
Spike-in模型 ≠ 全部真实世界污染。
④ 是否过拟合？
相比机器学习论文：
本文风险较低。
因为：
Marker来自：
生物学来源
↓
实验验证
↓
重复实验而不是：
机器学习
↓
ROC最高
↓
结束因此Reviewer一般不会认为存在严重过拟合。
⑤ 是否缺实验验证？
缺。
如果按照Nature Medicine标准：
至少还需要：
- 多中心验证
- 多疾病验证
- 前瞻性队列验证
- 临床真实流程验证
Step 8.4 方法学局限
| 方法 | 局限性 | 潜在假阳性 | 如何补实验 |
|---|---|---|---|
| Reference Proteome | 基于健康供体 | 疾病状态下表达可能改变 | 增加多疾病参考数据库 |
| Spike-in | 人工污染模型 | 与真实采样污染不完全一致 | 模拟运输、冻融、延迟离心等流程 |
| QC Marker | 平台依赖 | 不同实验室阈值不同 | 多中心校准统一标准 |
| Serum vs Plasma | 仅覆盖部分前分析因素 | 无法反映全部样本处理偏差 | 纳入脂血、黄疸、储存时间等变量 |
| Literature Review | 不能直接证明原文结论错误 | 只能提示存在风险 | 对代表性文献进行重复实验验证 |
Step 8.5 方法升级路线（高分课题设计）
本文的方法学层级大致停留在：
蛋白组
↓
QC Marker
↓
标准流程如果继续升级，可以形成如下路线：
Bulk Proteomics
↓
单细胞蛋白组
↓
空间蛋白组
↓
多组学联合QC
↓
AI自动识别污染
↓
国际标准QC平台本文停留在哪一层？
按照目前生物医学方法发展的层级：
发现问题
★★★★★
建立标准
★★★★★
实验验证
★★★★☆
临床推广
★★★☆☆
国际规范
★★☆☆☆它已经完成了：
发现问题 → 建立标准 → 实验验证
但还没有完成：
国际标准化 → 临床规范化
下一代课题如何升级？
如果以这篇文章为基础设计高分课题，可以考虑：
方向1：多组学QC体系（★★★★★）
建立统一的：
- RNA-seq QC
- Proteomics QC
- 单细胞QC
- 空间转录组QC
形成一个跨组学质量评价框架。
方向2：AI自动QC（Nature Methods方向）
输入：
- 全蛋白表达矩阵
自动输出：
- Hemolysis Score
- Platelet Score
- Storage Score
- Sample Quality Score
实现自动化质量控制。
方向3：疾病特异QC体系（Nature Medicine方向）
针对：
- 肿瘤
- 脓毒症
- 自身免疫病
- 神经退行性疾病
建立不同疾病背景下的QC标准，而不是使用统一阈值。
从生信分析员角度，这篇文章最值得学习的地方
很多初学者认为：
生信分析 = DEG + 富集 + 机器学习。
这篇文章提供了一个更重要的思路：
生信分析首先应该回答：“我的数据是否可信？”
真正的分析逻辑应是：
Raw Data
↓
Quality Control（数据可靠吗？）
↓
Bias Correction（是否存在系统偏倚？）
↓
Discovery（发现候选分子）
↓
Mechanism（建立机制）
↓
Validation（验证与转化）对这篇论文的最终评价（Reviewer视角）
如果按方法学创新、实验设计、可重复性、转化价值四个维度评分：
| 维度 | 评分（5分制） | 评价 |
|---|---|---|
| 方法学创新 | ⭐⭐⭐⭐⭐ | 首次系统建立血浆蛋白组QC Marker体系，创新性高。 |
| 实验设计 | ⭐⭐⭐⭐☆ | Reference + Spike-in + 文献验证形成完整闭环，但真实世界验证仍可加强。 |
| 可重复性 | ⭐⭐⭐⭐⭐ | 提供标准化流程，便于其他实验室复现和应用。 |
| 临床转化价值 | ⭐⭐⭐⭐☆ | 对临床蛋白组研究具有重要指导意义，但仍需更多前瞻性、多中心验证。 |
综合评价：9.5/10。
它不是一篇复杂机制论文，却是一篇非常优秀的方法学论文。对生信分析人员而言，它最大的启发不是学习某种算法，而是学习如何围绕科学问题设计分析流程，并用实验建立可信证据链。
你的 Step 1–8 已经完成了。如果按照你这套论文分析框架，我建议增加一个 Step 9，也是我认为对生信分析员价值最大的一步。
Step 9——高分论文设计思想（作者是如何”设计”出这篇EMBO论文的）
这一部分不是分析论文，而是拆解作者的科研思维。
这是我读高分论文最喜欢分析的一步。
一、作者真正想解决什么问题？
很多人认为：
作者想解决的是：
Protein Biomarker实际上不是。
真正的问题是：
为什么Protein Biomarker一直失败？这是两个完全不同的问题。
普通论文：
Disease
↓
Find Marker高分论文：
Disease
↓
为什么Marker找不到？所以：
作者研究的是：
Failure Mechanism
而不是：
Disease Mechanism。
这就是EMBO喜欢的思路。
二、作者第一步没有做实验
一般论文：
采样
↓
做MS
↓
找Marker作者：
第一步：
居然问：
这些数据可靠吗？于是：
整个逻辑变成：
Sample
↓
Quality
↓
Bias
↓
Correction
↓
Discovery这就是：
Problem-driven
不是：
Technology-driven
三、作者真正创新在哪里？
很多人认为：
创新：
MS不是。
创新：
其实只有一句话：
Quality is biology.
以前：
大家认为：
QC
只是：
实验室流程。
本文：
第一次告诉大家：
QC
会直接改变：
Biological Conclusion。
这是Concept Innovation。
四、为什么EMBO接受？
因为：
回答了：
一个Community Problem。
而不是：
一个Disease Problem。
例如：
普通论文：
Lung Cancer只有：
肺癌研究者看。
但是：
QC：
所有蛋白组研究者：
都会引用。
所以：
Citation自然高。
五、作者真正的Workflow（科研思维）
不是：
Experiment
↓
Analysis而是：
Field
↓
Pain Point
↓
Hypothesis
↓
Standard
↓
Validation
↓
Application注意：
真正核心：
不是：
Validation。
而是：
Standard。
六、为什么Reviewer很难拒？
Reviewer一般会问：
What’s new?
本文回答：
以前：
Protein变化
↓
不知道是真是假现在：
Protein变化
↓
先QC
↓
再分析这是：
Workflow Change。
不是：
Data Change。
七、如果我是作者，我会怎么升级？
我会增加：
第一篇
建立：
Protein QC。
（本文）
↓
第二篇
RNA QC。
↓
第三篇
Single-cell QC。
↓
第四篇
Spatial QC。
↓
第五篇
Universal QC Platform。
这是：
Nature Methods路线。
八、如果我是Reviewer，我会建议补什么？
我会建议：
建立：
QC Score然后：
输入：
Protein Matrix
自动输出：
Hemolysis
Platelet
Coagulation
Storage
Overall Quality最后：
变成：
Online Tool。
Citation会更高。
九、如果我是PI，我会怎么设计下一篇？
直接升级：
Protein
+
RNA
+
Metabolomics
↓
Cross-omics QC因为：
未来：
所有Multiomics：
都会遇到：
同一个问题：
Sample Bias。
十、这篇文章真正属于哪一种高分套路？
我把Nature系列文章总结为五类：
| 类型 | 代表套路 | 本文是否属于 |
|---|---|---|
| 新机制（Mechanism） | Gene→Pathway→Disease | ❌ |
| 新技术（Technology） | 新测序、新算法 | ❌ |
| 新资源（Resource） | Cell Atlas、数据库 | ❌（部分涉及） |
| 新标准（Standard） | 建立行业规范 | ✅★★★★★ |
| 新范式（Paradigm） | 改变研究流程 | ✅★★★★★ |
这篇文章最厉害的地方是最后两类。
它不是告诉大家：
“发现了一个新的蛋白。”
而是告诉整个领域：
“以后所有血浆蛋白组研究，都应该先做QC，再谈Biomarker。”
这实际上改变了研究范式。
对你（生信分析员）最大的收获（★★★★★）
结合我们前面8个Step，这篇论文真正值得学习的不是蛋白组技术，而是科研设计逻辑。
以后无论你分析TCGA、GEO、单细胞还是空间转录组，都可以先问自己五个问题：
① 数据可靠吗？
↓
② 最大偏倚来自哪里？
↓
③ 有没有办法建立QC标准？
↓
④ 如何用实验证明QC影响最终结论？
↓
⑤ 能不能把QC流程做成别人都会使用的标准？如果你的课题能回答这五个问题，你做的就不再只是**“分析一个数据集”，而是在建立一个可复用的方法或标准**。这也是高影响力论文（尤其是EMBO、Nature Methods、Nature Biotechnology等期刊）最常见的创新模式。
我建议增加一个 Step 10
对于你这种长期做文献解析和生信课题设计的人，我建议把分析框架扩展到 Step 10：文章复现（Reverse Engineering）。
这一部分会回答：
- 作者为什么按这个顺序做实验？
- 每个Figure是如何衔接的？
- 如果删掉一个Figure，整篇文章还能成立吗？
- 每张图回答了哪个Reviewer问题？
- 为什么能发EMBO而不是普通SCI？
这是PI和Reviewer阅读论文的方式，也是最快提升课题设计能力的一步。