文献解读 005

TCGA vs CPTAC 数据对比

一句话：TCGA 画癌症的”基因地图”（广度优先），CPTAC 画”蛋白地图”（深度优先），且 CPTAC 早期直接复用 TCGA 的同一批样本补做蛋白质组分析——两者互补，不是竞争。

维度	TCGA	CPTAC
全称/定位	癌症基因组图谱（NCI + NHGRI 联合）	临床蛋白质组肿瘤分析联盟（NCI 发起）
启动时间	2006 年	2011 年
核心数据层	基因组层：DNA 突变、拷贝数、甲基化、RNA 表达、miRNA；蛋白数据（RPPA）很少	蛋白质组层：质谱蛋白定量、磷酸化、糖基化；再整合基因组/转录组/临床（即蛋白质基因组学）
规模	20,000+ 肿瘤及配对正常样本，33 种癌型，约 2.5 PB	1,000+ 肿瘤，10 种癌型（泛癌发现阶段），深度多组学
回答的问题	癌症有哪些关键基因改变？如何分子分型、找预后标志？	基因改变在蛋白层面如何体现？哪些蛋白/磷酸化位点可作为标志物或药物靶点？
技术平台	高通量测序（WES/RNA-seq）+ 甲基化芯片	质谱（TMT/无标记定量等）+ 匹配测序数据
数据入口	GDC、cBioPortal、Broad Firehose	CPTAC Data Portal、PDC、LinkedOmics、UALCAN、cBioPortal（整合版）

关键差异要点：

1. 测的”层”不同：TCGA 主要停在基因层面，蛋白数据极少；CPTAC 主战场是蛋白质层面（质谱定量 + 磷酸化/糖基化修饰），并拉通基因组、转录组做联合分析，即”蛋白质基因组学（proteogenomics）”。
2. 规模策略相反：TCGA 大而全（20,000+ 样本、33 癌种），追求广度；CPTAC 少而深（1,000+ 肿瘤、10 癌种），对每个样本做更深的蛋白质组刻画。
3. 样本来源有重叠：CPTAC 最初直接把 TCGA 的乳腺癌、结直肠癌、卵巢癌样本拿去做质谱分析，不是两套独立病人，而是同一批样本上的”补层”。
4. 解决的问题不同：TCGA 回答”哪些基因变了”，CPTAC 回答”这些改变在蛋白功能层面造成什么后果、能否成药”。研究表明 RNA 水平与蛋白水平并不完全对应，CPTAC 恰好补上这个缺口。

匹配的相邻非肿瘤组织（Matched adjacent non-tumor tissue）：指在切除患者肿瘤手术时，从同一个患者身上紧挨着肿瘤部位切取的“正常/非癌变”组织。

在标准的 FragPipe / OpenMS 工作流中，EasyPQP 主要用于从 DDA（或 DDA+DIA）搜库结果中提取和合并肽段碎片峰图、保留时间（RT）和离子迁移率（IM），从而构建 DIA 专用的光谱库（.tsv、.pqp 或 .Speclib）。

[MSFragger 搜库结果 (.pepXML)]
           │
           ▼
  ┌─────────────────────────────────────────────────────────┐
  │                   Philosopher 统一调配                  │
  │                                                         │
  │  1. 运行 PeptideProphet ──> 给每个 PSM 打概率分值        │
  │  2. 运行 ProteinProphet ──> 推算蛋白概率并解决同源归并  │
  │  3. 运行 Philosopher Filter ──> 按设定 FDR(如 1%) 截断  │
  │  4. 运行 Philosopher Report ──> 输出 psm.tsv/protein.tsv│
  └─────────────────────────────────────────────────────────┘

建库

gen_con_spec_lib.py 用这个内置的脚本去建库的

在分析中，建库策略放宽至允许半胰蛋白酶切（Semi-tryptic）肽段；利用添加的 iRT 标准标肽 进行保留时间（RT）对齐校准，并将二级碎片离子的质量容 tolerance 设为 0.05 Da。

在蛋白质推断层面，每个肽段要么作为 唯一特异性肽（Unique Peptide） 直接鉴定归属蛋白，要么作为 共享肽（Razor Peptide） 被分配给证据最充分（鉴定到的肽段最多）的那个蛋白/蛋白组。

最终在下游 DIA 定量时，为了保证数据严谨，凡是无法被明确区分的蛋白质/蛋白组，一律直接从定量报告中排除

---

3. 在 4D-DIA / PASEF 流程中的应用
在结合 timsTOF (diaPASEF) 和 FragPipe (EasyPQP) 的分析链中，DIALib-QC 的典型工作流定位如下：
 
[DDA数据 / 预测模型] 
       │
       ▼
[FragPipe + EasyPQP 建库] ──► 生成 .tsv 谱库
                                    │
                                    ▼
                             【 DIALib-QC 体检 】 ◄── 输出 QC 评估报告 (HTML/Plots)
                                    │ (如果 QC 通过)
                                    ▼
                      [DIA-NN / Spectronaut 搜库定量]

这段话描述的是将本研究构建的质谱光谱库（Spectral Library）与国际公认的两个顶级公共蛋白质组数据库进行交叉比对，以评估该谱库的“覆盖度”与“新颖性”。

简单来说，作者在回答两个科研问题：

1. 我的谱库够不够全？（覆盖了已知数据库里的多少蛋白和肽段）
2. 我的谱库有没有新发现？（发现了多少公共数据库里还没收录的新蛋白/新肽段）

1. 比对的两个“基准数据库”

作者选择了蛋白质组学界最权威的两个数据源作为参照系：

• PeptideAtlas：一个专注于汇集高质量 shotgun 质谱数据、经统一严格流程校验的全球蛋白质/肽段图谱库。
• ProteomicsDB：由慕尼黑工业大学等建立的蛋白质组学知识库，整合了大量人类组织和细胞系的高分辨率质谱数据。

---

2. 比对的具体做法

研究团队把自己建好的谱库里的蛋白质和肽段列表提取出来，分别与 PeptideAtlas 和 ProteomicsDB 截止到 2021 年 7 月 6 日的数据集进行了交集（Overlap）分析。

通过维恩图的重叠区域和独有区域，可以清晰看到：

• 重叠部分（Shared）：证明本研究建库质量可靠，与主流大数据库高度吻合。
• 本研究独有部分（Unique to this study）：展现本研究的新颖性（Novelty），说明该实验可能发现了特定组织/疾病条件下的全新肽段或蛋白。
• 公共库独有部分（Unique to public DBs）：体现本研究与全人类蛋白质组相比的覆盖率和局限性。

优点：

1. 评估自己谱图的完整性
2. DIA搜库的假阳性 单独添加了spike in

分开搜库得到quant 然后合并

[ 3005 个质谱 Raw 文件 ]
                          │
                   ( 随机均匀拆分 )
                   ┌──────┴──────┐
                   ▼             ▼
              【计算机 A】    【计算机 B】
              并行搜库         并行搜库
                   │             │
                   ▼             ▼
              生成 .quant     生成 .quant
                   └──────┬──────┘
                          │
               ( 汇总所有 .quant 文件 )
                          │
                          ▼
            【集中式全局定量与对齐校准】
                          │
                          ▼
                  生成最终蛋白质定量报告

为提高严格性，我们仅保留由独特肽支持的蛋白质（即 FragPipe 注释 DDA 文库中无“不可区分”成员的蛋白基团），仅保留蛋白质型肽（DIA-NN 报告中的蛋白型=1）。

---

这段话描述的是一种在蛋白质组学中用“诱饵/捕获法（Entrapment Strategy）”来精确评估和控制假发现率（FDR）的数学模型。Entrapment Database（捕获数据库 / 陷阱数据库）。

1. 什么是 Entrapment（捕获/陷阱）策略？

在传统的质谱搜库中，我们通常只引入反向序列（Decoy）来估计 FDR。但对于 DIA 或超大型谱库，传统的 Decoy 可能会低估真实的假阳性。

为了更严谨地评估“到底有多少搜出来的结果是假的”，研究人员会人为地往数据库里混入一些“已知绝对不可能存在于样本中”的真实蛋白质序列（例如在分析人类样本时，混入整套拟南芥或酵母的蛋白质序列）。

• Target（目标蛋白，简称 $\text{T}$）：样本中真实可能存在的蛋白（如人源蛋白）。
• Entrapment（捕获/陷阱蛋白，简称 ${\text{E}}_{\text{T}}$）：人为混入的“假目标”蛋白（如拟南芥蛋白）。只要软件报告鉴定到了这类蛋白，就绝对是假阳性（错误匹配）。
• $r$（捕获与目标比，Entrapment-to-Target ratio）：混入的“陷阱蛋白数量”与“真实目标蛋白数量”的比例。例如混入了相同数量的陷阱蛋白，则 $r=1$。

---

2. 公式参数拆解

结合公式：

${\widehat{\text{FDP}}}_{T\cup E_{\text{T}}}=\frac{N_{\text{E}}(1+1/r)}{N_{\text{T}}+N_{\text{E}}}$

• ${\widehat{\text{FDP}}}_{T\cup E_{\text{T}}}$：估计出的假发现比例（False Discovery Proportion）。
• $N_{\text{E}}$：软件报告中被错误识别出的 Entrapment（陷阱蛋白）数量（这些是抓到的“现形”假阳性）。
• $N_{\text{T}}$：软件报告中识别出的 Target（目标蛋白）数量。
• $N_{\text{T}}+N_{\text{E}}$：软件总共报告鉴定的所有结果（分母）。
• $1/r$：由于 $N_{\text{E}}$ 是混入陷阱库里被发现的假阳性，但真实目标库（$N_{\text{T}}$）里同样也会藏有未被直接看穿的假阳性。$1/r$ 就是用来根据陷阱库的规模，按比例推算真实目标库里藏了多少假阳性的系数。

假设研究人类样本（样本里只有人类蛋白）：

1. 设定库规模：你在人类蛋白库（10,000 个）里，混入了相同数量的拟南芥蛋白库（10,000 个）作为陷阱。此时比例 $r=10000/10000=1$。
2. 搜库结果：DIA-NN 搜库后，报告了 1,000 个鉴定结果。

• 其中有 $N_{\text{T}}=980$ 个人类蛋白（Target）。
• 有 $N_{\text{E}}=20$ 个拟南芥蛋白（Entrapment，必定是假阳性）。

3. 推算总体假阳性：

• 因为拟南芥蛋白和人类蛋白在库里的比例是 $1:1$ ($r=1$)，既然你在拟南芥库里抓到了 20 个假阳性，那么按概率，你在 980 个人类蛋白结果里，也必然混入了大约 20 个看穿不了的假阳性。
• 所以，总假阳性估算值就是 $N_{\text{E}}\times (1+1/r)=20\times (1+1/1)=40$ 个。

4. 代入公式计算 FDP：

$\widehat{\text{FDP}}=\frac{20\times (1+1/1)}{980+20}=\frac{40}{1000}=0.04(4\%)$

这句话的意思是：为了防止 DIA-NN 搜库给出虚高的鉴定数，作者通过向数据库里预先“下毒”（混入已知不可能存在的 Entrapment 陷阱序列），利用这套公式根据被“钓上钩”的陷阱蛋白数量，精准反推并截断出最严格、最真实的 1% FDR 阈值。

---

这段话描述的是作者如何通过测试不同的 $q\text{-value}$（假发现率阈值）组合，在 DIA-NN 输出结果中找到“鉴定数量（敏感性）”与“数据准确度（置信度）”的最佳平衡点。

简单来说，DIA-NN 默认的过滤标准（通常是 $q<0.01$，即 1% FDR）在超大规模、多批次（multi-batch）数据集里可能不够严谨。因此，作者做了一次阈值筛选实验，并最终选定了极其严格的过滤规则。

---

1. 前半句：作者做了什么测试？

“To select suitable q value thresholds, we evaluated precursor and global protein-group q value cut-offs across the range $1\times 10^{-4}$ to $0.01$, while keeping the run-specific protein-group q value fixed at $0.01$.”

• 固定变量：把单次运行级别（Run-specific）的蛋白组 $q$ 值固定在常规的 0.01 (1%)。
• 评估区间：在 $0.0001$（0.01%）到 $0.01$（1%） 的范围内，动态调整“前体离子（Precursor）”和“全局蛋白组（Global protein-group）”的 $q$ 值阈值。
• 测试目的：看看把阈值收紧到什么程度，既能杀掉假阳性，又不会损失太多的蛋白质/肽段鉴定数。

---

2. 后半句：最终确定的 5 大“黄金过滤标准”

“To balance sensitivity and confidence, we finally adopted the following criteria: proteotypic = 1, Q.Value < 0.001, PG.Q.Value < 0.01, Global.Q.Value < 0.001 and Global.PG.Q.Value < 0.001.”

作者最终在 DIA-NN 主报告（Main Report）中应用了以下 5 条过滤筛选规则（对应 DIA-NN 报告的表头列名）：

过滤参数（列名）	最终设定值	含义与通俗解释
proteotypic = 1	1	唯一特异肽：只保留专属某一个特定蛋白的肽段，剔除可以在多个蛋白间共享的模糊肽段。
Q.Value	< 0.001 (0.1%)	单样本前体离子级 $q$ 值：单个质谱 Run 内的前体离子 FDR 控制在 0.1% 以内（比默认的 1% 严格 10 倍）。
PG.Q.Value	< 0.01 (1%)	单样本蛋白组级 $q$ 值：单个质谱 Run 内的蛋白质组 FDR 保持标准的 1%。
Global.Q.Value	< 0.001 (0.1%)	全局前体离子级 $q$ 值：跨所有批次/样本整合后，前体离子总体的 FDR 控制在 0.1% 以内。
Global.PG.Q.Value	< 0.001 (0.1%)	全局蛋白组级 $q$ 值：跨所有批次/样本整合后，蛋白质组总体的 FDR 同样严格控制在 0.1% 以内。

---

“These settings ensured tight global control of the FDP across all reporting levels in our multi-batch DIA dataset.”

• 总结：通过将全局（Global）层面的 $q$ 值从默认的 $0.01$ 压缩到 $0.001$，作者成功在多批次（Multi-batch）的大型 DIA 队列中，从前体离子到蛋白质各个层面上，都实现了对假发现比例（FDP/FDR）的极高强度控制，确保最终用于统计分析的数据几乎没有假阳性噪声。

这段话描述的是作者在面对大规模质谱实验时，为了确保数据可靠、消除实验误差，所采取的“样本重复设置 + 随机化 double-blind + 双重质控（QC） + 集中统一分析”的实验设计策略。

简单来说，作者展示了他们在**样本处理、仪器监控和数据预处理**全流程中极其严谨的质量控制手段。



### 1. 两种重复（Replicates）的区别与定义

> *"We used both biological replicates (independent processing of aliquots from the same tissue sample) and technical replicates (repeated injections of identical peptide samples)..."*

为了验证实验结果不是“偶然出现的”，作者设置了两种不同层面的重复：

* **生物学重复（Biological Replicates）**：
* **定义**：将同一个组织样本分成两份（Aliquots），**从头开始分别独立进行裂解、蛋白提取、酶切和提纯**。
* **目的**：评估从“组织处理到样品制备”整个前处理过程的平行性与重复性。


* **技术重复（Technical Replicates）**：
* **定义**：同一个已经酶切好的肽段样品，**上质谱仪重复进样（Injection）多次**。
* **目的**：评估质谱仪本身（仪器测量）的稳定性和再现性。



### 2. 随机化与双盲实验（消除人为偏见与批次效应）

> *"...with random assignment to minimize bias. Samples were randomized by reshuffling each collection batch, and clinical metadata were blinded during processing."*

* **重新打乱随机化（Randomization）**：在按批次处理样本时，将样本顺序重新打乱。避免出现“癌组织集中在周一测，正常组织集中在周五测”而导致的系统性批次误差（Batch Effect）。
* **临床信息双盲（Blinding）**：在实验室操作和上机过程中，隐藏（盲法）患者的临床信息（例如哪个是肿瘤、哪个是癌旁、哪个是高期别/低期别）。技术人员只看到编号，**防止实验操作人员产生先入为主的偏见**。



### 3. 双重质控（Dual QC）机制（监控仪器状态）

> *"Quality control used a dual approach: a project-specific pool... and a universal standard... Both quality control samples were injected before each batch to monitor instrument stability."*

作者使用了**两种不同的 QC 质控样品**，并且在**每个批次（Batch）开始测试前都要进样**，用来实时监测质谱仪器的稳定性和漂移情况：

| QC 类型 | 样品来源 | 核心作用 / 监控目的 |
| --- | --- | --- |
| **项目专属混合 QC**<br>

<br>(`Project-specific pool`) | 混合了本项目前期收集的各个样本等量的肽段。 | 评估**本项目特定基质（Matrix）**下的质谱响应度、Retention Time（RT）漂移以及离子迁移率稳定性。 |
| **通用标准 QC**<br>

<br>(`Universal standard`) | 商业化或统一制备的**小鼠肝脏酶切产物**（Mouse liver digest）。 | 作为**跨项目/跨仪器的绝对参照物**，由专门的质谱管理员（MS administrators）独立监测质谱仪的硬件基础性能（如响应灵敏度、分辨力）。 |

---

### 4. 集中统一预处理（3,005 个文件一起跑）

> *"All samples, including project-specific pool samples, were analysed by DIA-NN and preprocessed together (3,005 raw files in total)."*

* **包含质控品**：不仅生物样本参与最终分析，连上述的 `Project-specific pool` 质控样本的 Raw 文件也一并输入分析。
* **全局统一分析（Together）**：总共 **3,005 个质谱 Raw 文件**，全部交由 DIA-NN 软件在同一套算法和规则下**集中进行 Retention Time 对齐、归一化（Normalization）和搜库定量**。
* **目的**：避免分批处理（Separate processing）带来的算法微小差异，确保整个超大队列的数据具有最高的可比性。


> **这段话的实际意思是：**
> 我们同时设置了**生物学重复**（同组织分装独立抽提酶切）和**技术重复**（同一肽段重复上机），并通过**随机打乱样本顺序**和**隐藏临床信息（双盲）**来极力消除实验偏见。
> 在质量控制方面，我们采用了**双重 QC 策略**：每次上机前，先注入由**本项目样本混合而成的 QC** 和**通用小鼠肝脏标准 QC**（由专业质谱管理员维护），以实时监控仪器的稳定性。
> 最终，我们把包括项目 QC 在内的**全部 3,005 个质谱原始文件，统一放入 DIA-NN 中进行整体预处理和定量分析**。

---

你说的完全正确：分位数归一化（Quantile Normalization）的核心假设就是“所有样本的整体表达量分布形状（Distribution Profile）必须是一致的”。

如果肿瘤样本和正常样本之间存在全局性的、大规模的蛋白表达量升高或降低（比如肿瘤细胞高代谢导致整体蛋白质总量大幅增加），强行使用 Quantile Normalization 会直接抹杀掉这种真实的全局生物学差异。

既然如此，为什么这篇 Top 顶刊（如 CPTAC 论文）依然敢在“肿瘤 vs. 正常/癌旁”的超大队列里使用四分位归一化？研究者通常是基于以下几个理论前提和工程妥协：

---

1. 绝大多数蛋白质的“不变假设”（Invariant Assumption）

尽管肿瘤细胞和正常细胞在生物学功能上差异巨大，但在全蛋白质组层面：

• 核心 housekeeping 蛋白（如结构蛋白、基础代谢酶、核糖体蛋白等）占据了表达量的绝大多数，这部分蛋白质在不同组织或病理状态下的整体基线分布依然保持相对稳定。
• 真正发生显著上调或下调的“差异表达蛋白（DEPs）”，在几千甚至上万个被测到的蛋白大库里，只占相对较小的比例（通常小于 10%–20%）。
• 因此，在宏观的统计分布图（如 Density Plot 或 Boxplot）上，肿瘤和正常样本的总体峰值和尾部形态看起来依然高度相似。

---

2. 质谱实验中“等量上样”强制抹平了总体浓度差异

在做质谱实验（如 LC-MS/MS）之前，有一步不可或缺的操作：BCA 蛋白定量 + 严格的等量酶切与上样（例如每个样本精确上样 $1\mu \text{g}$ 肽段）。

• 质谱仪检测到的是“单位总蛋白质量里的相对比例”，而不是单个细胞内的“绝对分子拷贝数”。
• 既然上机前人为把每个样本的肽段总量调成了一模一样（绝对量已经被抹平），那么在物理测量层面，各个 Run 输出的信号强度分布本来就已经被强制“逼近”了。
• 此时使用 Quantile Normalization，更多是为了消除系统噪音（如柱效漂移、喷针响应波动、质谱电离效率差异），而不是去调整真实的生物学总量。

---

3. 面对超大规模队列（如 3000+ 文件）的工程妥协

在面对包含上千个 Run 的多批次（Multi-batch）大型 clinical cohort 时：

• 批次效应（Batch Effects）和仪器漂移极其严重。如果不使用 Quantile 这种强力的归一化手段，上千个样本之间的技术噪声（Technical Noise）会远超生物学差异。
• 相比于 Median Normalization（中位数归一化）或 Loess 归一化，Quantile 能最彻底地把所有样本的分布拉到完全一致的尺度上，为后面的 limma::removeBatchEffect 提供非常干净、稳定的矩阵。

有的，这确实是一个权衡（Trade-off）。

• 后果：如果肿瘤组织中真的存在全局性的蛋白质暴涨（Global Hyper-transcription/translation），Quantile 归一化会把这种全局的上调误当成“上样量偏高”给强行拉低回来。
• 应对方案：如果研究者怀疑有全局漂移，通常会在实验中引入等量的外源 Spike-in 标准品，或者改用基于内参/中位数（Median/Median Polish）的归一化方法。

但在 CPTAC 这种大队列泛癌研究中，研究者更关注的是“具体哪个特定蛋白在肿瘤里相对异常高表达”，为了控死 3000 多个文件的技术噪音，他们选择接受 Quantile Normalization 的这个假设前提。

---

但在像 CPTAC 这种超大规模（超 3,000 个 Raw 文件）、多维度技术协变量、且使用连续定量（LFQ/DIA 峰面积）的质谱队列中，研究者选择 limma::removeBatchEffect 而非 ComBat，主要是基于以下几点计算模型与工程落地的差异：

---

1. 对“多重/连续技术协变量”的处理能力不同

• ComBat 的局限：原生的 ComBat 主要设计用于处理单一、离散的批次因子（比如 Batch 1 vs Batch 2）。如果你的批次效应是由“离散批次（如不同抽提天数）+ 连续变量（如色谱柱使用次数/柱压漂移）+ 第二离散批次（如不同质谱仪）”叠加而成的，ComBat 处理起来会非常繁琐，甚至无法直接拟合。
• limma 的优势：limma::removeBatchEffect 底层完全基于广义线性模型（GLM）。它可以非常灵活地同时传入两个离散批次（batch 和 batch2）以及多个连续的技术协变量（covariates），在一次回归拟合中把复杂的“两步/多维批次效应”统一剔除。

---

2. 与下游差异表达分析（Differential Expression）的协同一致性

在生物信息学分析中，工具链的“同源性”非常重要：

• 这篇论文的下游差异蛋白筛选（Differential Expression Analysis），几乎不可避免地会使用 limma 软件包（这是蛋白质组学做 $t$ 检验、多因素方差分析和复杂线性模型拟合的金标准）。
• removeBatchEffect 本身就是 limma 包自带的核心函数。使用它进行批次校正，能确保前后的线性模型假设、数据加权规则（Weights）以及设计矩阵（Design Matrix）保持高度的统计学一致性。

---

3. 数据缺失值（Missing Values）与异常值的鲁棒性

质谱 DIA 数据即便经过了 50% 的缺失值过滤，依然存在部分未观察值或补值（Imputed Values）。

• ComBat 的敏感性：ComBat 在估计经验贝叶斯参数时，需要对基因/蛋白质的方差进行全局收缩（Shrinkage）。如果数据矩阵中包含离群值（Outliers）或由补值引入的非自然分布，ComBat 的参数估计可能会过度修正（Over-correction），导致部分真实差异被抹平。
• limma 的稳健性：limma 内置了极佳的普通最小二乘法与经验贝叶斯平滑（eBayes），对经过分位数归一化（Quantile Normalization）后的质谱强度矩阵适应性极强，计算过程也更加稳定。

---

朱方差分析

1. 一个生活中的类比：烘焙比赛

假设你在举办一场烤面包大赛，想知道“不同面粉（生物学差异，如肿瘤 vs 正常）”对面包口感的影响：

• 你拿到了 100 个面包，评委给每个面包打了分。
• 面包评分的总差异（Total Variance）是 100 分。

但你发现，影响面包打分的因素不止面粉：

1. 面粉种类（生物学因素：高筋面粉 vs 低筋面粉）
2. 烘焙烤箱（批次因素：A 烤箱温度偏高，B 烤箱温度偏低）
3. 烘焙日期（批次因素：周一烤的，周五烤的）

如果你不做任何分析，直接看分数，你根本分不清：这个面包好吃，是因为面粉好？还是因为 A 烤箱特别给力？

---

2. 主方差分析（PVCA）在做什么？

PVCA 就像一个“责任拆解计算器”。它把这 100 分的总差异，像切蛋糕一样，按贡献百分比拆分给每一个因素：

[ 面包评分的总变异 (100%) ]
  ├── 15% 来源于：面粉种类（真实的生物学差异）
  ├── 60% 来源于：烘焙烤箱（批次效应 Batch Effect）
  ├── 15% 来源于：烘焙日期（批次效应 Batch Effect）
  └── 10% 来源于：无法解释的随机噪声（Error）

拆完之后，真相大白了：

• 60% + 15% = 75% 的分差，竟然全是因为“烤箱不同”和“日期不同”造成的！
• 真实的“面粉差异”只占了区区 15%。

结论：这个数据被“烤箱和日期（批次效应）”严重污染了！如果不把烤箱和日期的影响消除掉（批次校正），你选出来的“最佳面粉”其实只是“放在好烤箱里烤的面粉”。

---

3. 为什么一定要在校正前做这个拆解？

你可能会问：“既然批次效应这么坏，我不管三七二十一，直接用算法去批次不就行了吗？”

不行！因为去批次算法（如 removeBatchEffect）是一把双刃剑，先做 PVCA 有两个绝不能省的原因：

原因 A：验证“技术噪声”是否真的占大头（诊断）

• 如果 PVCA 算出来：批次因子占了 40% 的方差，生物学差异只占 10% $\to$ 必须强制校正！ 不校正数据就是废纸。
• 如果 PVCA 算出来：生物学差异占了 70% 的方差，批次因子只占 0.5% $\to$ 根本不需要强行去批次！ 批次效应微乎其微。

原因 B：防止“过度校正（Over-correction）”抹杀真实信号

去批次算法在消除噪声的同时，或多或少会损耗一部分真实的生物学信号。
如果你本身就没有明显的批次效应，还硬要去校正，算法就会把真实的“肿瘤 vs 正常”差异当成噪声给抹平了（过度矫枉过正）。

• 主成分分析（PCA）/ 主方差分析（PVCA）：就像是诊断医生，帮你定量算出来——数据里的误差到底有百分之多少是“仪器/批次（Bad Noise）”造成的，百分之多少是“疾病本身（Good Signal）”造成的。
• 只有诊断出“批次噪声占比过高”时，你才能理直气壮地拿去批次工具（如 limma）去强行抹掉这部分噪声。

可视化软件
通过 canvasXpress R 软件包

这段话描述的是研究团队将原本用于单细胞转录组学（scRNA-seq）的“拟时间轨迹分析（Pseudotime Analysis）”方法，巧妙地借用到了“全蛋白组学数据”上，用以重建样本（例如不同发育阶段的组织或病理演进过程）的时间演化路线。

简单来说，作者在解答一个核心问题：如果不看实际采集的物理时间（如胎龄或年龄），仅仅根据每个样本的“蛋白质表达谱特征”，能否在数学上还原出这些样本从“原始/胚胎状态”向“成熟/病变状态”演变的连续轨迹？

---

1. 为什么用 Monocle3 分析蛋白质组？

• Monocle3 的本职工作：它是单细胞领域最经典的单细胞轨迹追踪（Cell Lineage / Trajectory Inference）工具，用来推算细胞的“发育拟时间（Pseudotime）”。
• 这里的创新用法：作者把一个“样本/组织”当成了一个“单细胞”，利用 Monocle3 的图论算法（Graph Learning），根据样本间数千个蛋白质表达量的高维相似性，计算出样本演化的“相对时间轴”。

—

① 前期样本过滤与降维（Data Cleaning & Dimensionality Reduction）

“在去除头发、指甲和体液样本后，数据首先进行主成分分析处理，随后嵌入统一流形近似与投影（UMAP）以降低维度。”

• 去除离群样本：头发、指甲和体液（如血液、尿液）的蛋白质组构成与实体组织差别巨大，留在数据集里会引入极大的极值噪声，因此预先剔除。
• PCA + UMAP 降维：高维质谱数据（上万个蛋白）无法直接构图。先用 PCA 提炼出核心变异特征，再用 UMAP 算法把高维数据压缩投影到 2D/3D 空间中，使表达谱相似的样本在空间上靠拢。

② 轨迹约束与根节点设定（Trajectory Topology & Root Selection）

“轨迹图生成时没有分割，也没有闭环，以胎儿样本为轨迹起点…”

为了让算法学出的轨迹符合真实的生物学发育规律，作者对 Monocle3 的学习逻辑施加了拓扑约束与方向锚定：

• 无分割（No Partition）：强迫算法将所有保留的样本连结在同一棵树/同一条主干线上，不让其分裂成互不相连的独立孤岛。
• 无闭环（No Loops）：限制轨迹为单向流向的树状网络，确保发育过程是单向不可逆的（防止算法画出“自己循环回自己”的无逻辑闭环）。
• 指定起点（Root Selection）：计算拟时间必须指定一个“零点（$t=0$）”。作者将“胎儿样本（Fetal samples）”指定为树根（Root）。算法随后会自动计算其他所有样本沿着分支距离根节点的“拓扑距离”。

③ 赋予伪时间值（Pseudotime Assignment）

”…所有样本均获得了伪时间值。”

• 生成伪时间（Pseudotime）：算法根据每个样本在 UMAP 轨迹网格上的位置，计算出其距离起点（胎儿样本）的相对距离，赋予每个样本一个数值（如 $0\to 1$ 或 $0\to 100$）。
• 生物学意义：伪时间数值越大，说明该样本的蛋白质表达特征越偏向于发育成熟或病变晚期。这使得研究者可以沿着这条伪时间轴，去寻找哪些蛋白质是在发育早期高表达、哪些是在后期被激活的（动态表达模式挖掘）。

---

这段话的实际意思是：
研究人员剔除了干扰较大的体液和角质样本，利用 Monocle3 工具将所有样本根据其蛋白质表达谱的相似度排列在一条连续的演化轨迹上。
他们将轨迹设定为无闭环的连续树状路线，并将胎儿样本指定为生命的初始起点（$t=0$）。最终，每一个样本都获得了一个代表其“发育/演化成熟度”的伪时间（Pseudotime）得分，从而实现了用蛋白质组数据推演器官/组织发育时间轴的目标。

伪时间值（Pseudotime Value）是在生物信息学（尤其是单细胞测序和时空组学）中，通过算法推算出的一个表示细胞或样本“生物学演进/发育相对进程”的虚拟时间指标。

简单来说，它不是拿钟表或日历测出来的“真实时间”（Real Time），而是根据表达谱特征（如蛋白质或基因表达量的动态变化）计算出来的“相对成熟度/演化进度”。

---

1. 为什么需要“伪时间”，而不是用“真实时间”？

在实际科研中，拿到的样本往往存在以下痛点：

1. 真实时间不等于生物学状态：

• 两个同时出生的胎儿（物理时间相同），某个器官的发育成熟度可能一个快、一个慢。
• 同一个肿瘤组织里的不同癌细胞，有的刚开始恶变，有的已经到了晚期。

2. 无法进行连续的实时追踪：

• 测量质谱或测序是“破坏性”的——把细胞或组织裂解提蛋白后，这个样本就死了，无法在同一个细胞上连续观察它从第 1 天到第 10 天的变化。

3. 样本采集是“静态快照（Snapshot）”：

• 你采集到的 1,000 个细胞，其实处于发育过程中的各个不同阶段（有初级阶段、过渡阶段、成熟阶段）。

2. 伪时间是怎么算出来的？（算法逻辑）

伪时间的核心思想是：表达谱越相似的样本，在发育轨迹上的位置就越接近。

算法（如 Monocle、Slingshot 等）的推演步骤如下：

1. 高维距离计算：看每个样本/细胞的几千个蛋白（或基因）表达量。如果样本 A 和样本 B 的表达谱高度相似，算法就把它们摆在极其靠近的位置。
2. 拟合演化轨迹（Trajectory）：把所有样本在降维空间（如 UMAP 或 t-SNE）里连成一条连续的“曲线”或“树状分支”。
3. 指定起点（Root）：人为或根据生物学常识设定一个起点（例如：干细胞、胚胎/胎儿样本，设定其伪时间 $t=0$）。
4. 沿线计算距离（Pseudotime）：沿着这条演化曲线，计算其他每一个样本距离起点的“曲线路径长度”。这个沿线的相对距离，就是该样本的伪时间值。

3. 伪时间值有什么用？

有了伪时间值后，原本静止的样本就被重新按“生物学演进顺序”串联了起来，研究者可以实现：

• 看清动态趋势：将某种关键蛋白质作为 Y 轴，伪时间作为 X 轴，画出它在整个发育或病变过程中的连续变化曲线（例如：发现蛋白 X 在伪时间 $t=0.2$ 时突然暴顶，说明它是驱动发育的关键因子）。
• 寻找关键分支节点（Fate Decision）：观察细胞是在伪时间的哪个节点分化成了类型 A（如正常细胞）或类型 B（如癌细胞）。

伪时间值 = 用分子表达谱的“相似度与演化趋势”重建出来的“生物学时钟”。它让静态的组学数据变成了动态的“发育电影”。

---

你的理解完全正确，而且非常准确地指出了 ANOVA（方差分析）在统计学上的本质局限性！

单向方差分析（One-way ANOVA） 在面对 4 组（F, T, NT, N）数据时，它能回答且只能回答一个问题：

“这 4 组样本的平均表达量，是否‘不全相等’？”

它本身无法告诉你是“T 比 N 高”，还是“F 比 NT 高”，更无法告诉你变化趋势。

这就是为什么作者在做完 ANOVA 之后，必须紧接着做 K-means 聚类（或者 Post-hoc 两两事后检验）：
这种“ANOVA（降维/去噪） $\to$ K-means（模式归类）”的组合拳，是多组学数据分析中最标准、最经典的分析范式：

1. ANOVA 解决“有没有差”（Yes/No 门槛）；
2. 聚类解决“怎么个差法”（表达模式与生物学功能映射）。

---

你提出的 MAD（Median Absolute Deviation，中位数绝对偏差） 过滤，确实是单细胞分析和无监督聚类（如 FindVariableFeatures）中极其高频的“高变特征（HVG）筛选”方法。

但在“多组（≥3组）临床样本/发育分期”的实验设计中，研究者选择 ANOVA 而非 MAD 过滤，核心区别在于：MAD 只看“整体变异有多大”，而 ANOVA 看“变异是不是由你的分组（生物学条件）驱动的”。

2. 为什么 MAD 在这种场景下会“选错蛋白”？（两个致命场景）

场景 A：MAD 会误选“组内噪音极大、但组间毫无差异”的垃圾蛋白
场景 B：MAD 会漏掉“组内极度稳定、但组间有微弱/精确调控”的生物学关键蛋白

3. MAD 与 ANOVA 的适用场景对比

维度	MAD 过滤 (或 IQR / 方差过滤)	ANOVA 过滤 ($P_{adj}<0.05$)
前提条件	不需要任何样本分组信息（无监督）	必须有明确的样本分组（有监督/实验设计）
筛选逻辑	挑选全数据集中“波动最大”的蛋白	挑选“组间差异明显高于组内随机噪声”的蛋白
典型应用	单细胞测序（scRNA-seq）：细胞类型未知，先用 MAD/HVG 寻找高变基因再做无监督分群。	临床/大队列实验（如 CPTAC）：已知样本是 F, T, NT, N，需要验证已知分组间的驱动蛋白。
统计统计学解释性	缺乏具体的假阳性率（FDR/P 值）控制	具备明确的假设检验（FDR 控制在 5% 以内）

• 什么时候用 MAD？
  当你完全不知道样本的分组和分类（比如拿到 5,000 个未标记的单细胞，或者没有临床元数据的纯探索性分析）时，你只能用 MAD / HVG 盲筛高变特征。
• 为什么这里用 ANOVA？
  因为作者已经明确拥有 F, T, NT, N 这 4 种临床/发育分组。ANOVA 能精准识别“哪些变异是由这 4 种生物学状态驱动的”，同时剔除组内随机噪声，这是 MAD 这种无监督统计量做不到的。

---

研究人员利用预处理好的正常样本数据，将样本按**“大器官（Major）”和“具体组织（Subcategory）”**进行解剖学二级分类。

他们计算了所有样本两两之间的皮尔逊相关系数（看模式像不像）和欧氏距离（看量差大不大），并剔除了样本数小于 2 的极小亚类。

随后，通过对各组中位数距离进行排序，并使用 ggstatsplot 包运行稳健非参数检验，评估了不同器官及组织层级间的差异显著性。最终利用小提琴图和点范围图可视化展示了正常人体的全局蛋白质组异质性图谱。

---

这段话描述的是研究团队为了解决“自己的质谱数据”与“以往发表的历史大队列数据”之间由于实验平台、样品准备或定量算法不同而导致的‘数值绝对量纲不一致（定量差异，Quantitative Discrepancies）’问题，所采取的两种逻辑互补的标准化比对策略。

简单来说，不同实验室用不同质谱仪测出来的同一个蛋白，绝对丰度数值（比如一个是 $10^6$，一个是 $10^8$）是无法直接拿来相减或比大小的。作者通过以下两种方法，绕开了绝对数值的障碍：

---

1. 策略（1）：数据拉平后再看趋势——跨研究表达模式比较

“(1) 在皮尔逊相关分析前对重叠蛋白进行 z 分数归一化，用于跨研究表达比较”

• 为什么要先做 $Z$-score 归一化（$Z$-score Normalization）？

• $Z$-score 的公式是 $Z=\frac{X-\mu }{\sigma }$（减均值，除以标准差）。它的作用是消除绝对量纲和表达水平基线的差异，把所有研究中的蛋白质表达量，统一转换成“相对于该研究自身均值的偏差程度（标准差倍数）”。

• 转换后，数值不再代表“绝对浓度”，而是代表“相对高表达（$Z>0$）还是相对低表达（$Z<0$）”。

• 皮尔逊相关分析（Pearson Correlation）：
  在把两套/多套不同研究的数据都做完 $Z$-score 归一化后，针对两套数据集都测到的重叠蛋白（Overlapping Proteins）计算相关系数。如果 $r$ 很高，说明虽然绝对数值不同，但某个蛋白在器官/样本间的‘相对起伏趋势’在不同研究里是高度一致的。

---

2. 策略（2）：不比绝对数值，比定性结论——组织特异性标签比对

“(2) 在每项研究中，依循既定方法比较来自独立多组织蛋白质组分析的组织特异性标签”

• 什么是“组织特异性标签（Tissue-specific Signature/Tags）”？

• 比如通过算法算出“肝脏特异性蛋白清单”、“肾脏特异性蛋白清单”。

• 这种策略的巧妙之处（定性交叉验证）：

• 作者不再强求研究 A 和研究 B 的每个蛋白定量值一模一样，而是在各自的研究内部，按照该研究已有的/标准的统计方法，分别选出各自定义的“组织特异性标志蛋白（Signatures）”。

• 然后去比较这些“标签清单”的重叠度（重合率）。例如：“我们在肝脏里找出的 Top 50 特异蛋白，是不是也在历史研究的肝脏特异标签库里？”

• 这种方法跳过了敏感的技术定量噪音，直接在高层级的生物学定性结论上验证了数据的一致性。

这段话的意思是：
由于不同研究的质谱数据绝对数值无法直接互比，我们采用了两套相互印证的策略：

1. 定量层面（看模式）：取大家共同测到的蛋白，先通过 $Z$-score 标准化消除各自的量纲差异，再用皮尔逊相关性验证这些蛋白在不同研究里的相对表达趋势是否一致。

2. 定性层面（看标签）：不直接比数值，而是各自按照既定标准算出各自的**“组织特异性蛋白标签（如肝特异、心特异蛋白）”**，然后对比这些标志性蛋白清单是否互相吻合。

这句话描述的是研究团队在处理 GTEx（Genotype-Tissue Expression）蛋白质组数据集 时，为了消除 TMT（Tangem Mass Tag，串联质谱标签）相对定量技术的系统性技术偏差，在数据预处理阶段所采用的“两步归一化（Two-step Normalization）”顺序。

作者的意思是：由于 GTEx 蛋白质组数据采用了 TMT 标记定量技术（即产生“串联质量标签比矩阵 / Ratio-based Matrix”），数据中存在严重的 TMT 批次效应（Batch Effect）和通道间上样量差异（Channel-specific Loading Bias）。因此，必须先做中位数归一化（Median Normalization）把物理上样的基线对齐，然后才能做 Z-score 归一化（Z-score Normalization）。

---

1. 为什么“TMT 串联质量标签比矩阵”需要特殊处理？

在质谱实验中，GTEx 这种大队列数据使用了 TMT 标记定量（如 TMT10plex / TMT16plex）：

• 原理：把 10–16 个不同组织的样本打上不同的化学标签（TMT Channels），混合在一起进一次质谱上机（为一个 TMT Block/Plex），并通常会包含一个公共参考样本（Bridge/Reference Sample）。
• 比值矩阵（Ratio-based Matrix）：TMT 输出的原始数据不是绝对信号，而是“每个样本的强度比上该 TMT 盘内部 Bridge 样本的强度（Sample / Bridge Ratio）”。
• 痛点：尽管使用了 Ratio 形式，由于不同 TMT 盘（Plex）之间参考样本的微小电离漂移、以及不同通道（Channel）间等量上样的微小误差，不同 TMT 盘输出的比值矩阵整体中位数（Median Intensity Ratio）依然会出现整体抬高或偏低。

---

2. 为什么要“先做中位数归一化（Median Normalization）”？

• 目的：修正总体上样量/电离响应的技术偏差。
• 做法：假设绝大多数蛋白的表达量在样本间是相对稳定的，算法计算每个样本/通道中所有蛋白 Ratio 的中位数，把所有样本的中位数强行拉到同一个水平（例如中位数为 1）。
• 作用：这一步抹平的是“整张 TMT 盘/整条通道的技术偏差”（如某一个通道可能整体少加了 5% 的肽段）。

---

3. 为什么“必须在中位数归一化之后，才能应用 Z-score 归一化”？

这涉及归一化顺序的统计逻辑：

[原始 TMT 比值矩阵] 
       │
       ▼
【1. 中位数归一化】──> 消除整体上样量/通道间的技术偏差（平移基线）
       │
       ▼
【2. Z-score 归一化】──> 消除不同蛋白质之间表达量级（Scale）的差距，转化为相对偏差

• 顺序颠倒的后果：
  如果不先做中位数归一化，数据里还带着“通道 A 整体偏高 10%”的技术噪音。此时如果直接算 Z-score（减均值除以标准差），Z-score 会把这个 10% 的技术噪音误当成真正的生物学方差（Variance）放大，导致最终计算的跨研究相关性（Pearson Correlation）被严重污染。
• 正确逻辑：

1. 先通过中位数归一化，确保所有 TMT 样本的技术基线（Baseline）完全平齐。
2. 再通过 Z-score 归一化，把不同蛋白质的表达起伏拉到标准正态分布（均值为 0，方差为 1）上，方便后续与其他非 TMT 数据集（如 LFQ 或 DIA 质谱数据）进行跨平台比对。

这句话的意思是：
因为 GTEx 的蛋白质组数据是用 TMT 标记技术测出来的，输出的是样本相对于参考样品的比值矩阵（Ratio Matrix），存在不同 TMT 实验盘和通道间的上样偏差。
为了不让技术偏差污染后续的统计分析，我们先通过“中位数归一化”强行把各个 TMT 通道的整体基线对齐（消除技术噪音），然后才运行 Z-score 归一化（转换为标准偏差倍数），从而确保不同数据集之间能够进行严谨的表达模式比对。

富集通路之间的网络关系通过 aPEAR 78 包（v.1.0）中的 enrichmentNetwork 函数生成，应用 Jaccard 相似度矩阵和分层聚类识别通路聚类，并选择 q 值最小的术语作为聚类名称。

泛癌数据（Pan-cancer Data）指的是涵盖了多种不同类型癌症（如肺癌、肝癌、乳腺癌、胃癌等）的跨癌种综合数据集。

在这篇论文的语境下，“泛癌数据”特指将所有肿瘤样本（Tumor Samples, T）单独提炼出来构成的“多癌种蛋白质表达矩阵”。

---

1. 为什么要提取“泛癌数据”？

研究团队之前的分析是在比较“正常 vs. 胎儿 vs. 肿瘤”或“不同正常器官”。

而提取出泛癌数据后，研究的焦点就转移到了“癌症与癌症之间的异质性与共性”：

• 寻癌种共性（Pan-cancer Commonalities）：哪些蛋白质或信号通路是在所有/绝大多数癌种里都异常激活的（比如细胞增殖、DNA 损伤修复相关的通用癌蛋白）？
• 寻癌种特性（Cancer-type Specificity）：哪些蛋白只在特定的某种癌症（如肝癌特异，或肺腺癌特异）中表达，可以作为该癌种的特异性分子分型或诊断标志物？

---

2. 后半句的技术处理：用 CV 值（变异系数）做特征筛选

”…随后通过选择所有样本中 CV 值大于中位数的蛋白质进行预处理。”

作者提取出泛癌数据后，用了一个极其经典的统计量进行二次过滤——CV 值（Coefficient of Variation，变异系数）。

① 什么是 CV 值？

$\text{CV}=\frac{\text{标准差 (Standard Deviation)}}{\text{平均值 (Mean)}}$

CV 值衡量的是一个蛋白质在所有癌症样本中的相对波动/离散程度。

② 为什么选择“CV 值 > 中位数”的蛋白？

在几千上万个蛋白里：

• CV 值很小的蛋白：说明它在肺癌、肝癌、乳腺癌等所有癌症样本里的表达量几乎是一模一样的（比如维持细胞基本生存的结构蛋白）。这种蛋白对“区分不同癌症类型”或者“寻找癌种间差异”没有任何统计学贡献，纯粹是无用噪音。
• CV 值大的蛋白：说明它在某些癌症里表达极高，在另一些癌症里表达极低（跨癌种差异巨大）。

通过保留 CV 值大于中位数（即前 50% 波动最大）的蛋白质，作者淘汰掉了一半“平躺不动”的无差异蛋白，提炼出了最具有癌种区分度的关键特征蛋白，为后续的肿瘤分子分型（Molecular Subtyping）或聚类分析扫清了噪音。

---

总结重述

• 泛癌数据：把不同器官来源的所有肿瘤样本汇总在一起构成的多癌种数据集。
• CV 过滤的本质：剔除在所有癌症里都“差不多”的无效背景蛋白，只留下在不同癌症之间“变化剧烈”的高变蛋白进行下游分析。

这段话描述的是研究团队利用单样本基因集富集分析（ssGSEA）将“蛋白质/基因表达矩阵”转化为“生物学通路激活得分矩阵”，并利用 Limma 寻找在不同患者群体间发生显著变化的生物学通路的完整分析流程。

作者的主要目的是回答：如果不看单个蛋白质，而是从高层级的“功能通路/生物学机制”（如缺氧反应、DNA 修复、免疫信号通路等）来看，哪些通路在不同患者分组（如肿瘤分型 A vs. 分型 B）之间被显著激活或抑制了？

---

1. 核心概念与工具拆解

① ssGSEA（单样本基因集富集分析）

• 传统 GSEA 的局限：传统的 GSEA（Gene Set Enrichment Analysis）需要事先把样本分成两组（如 Control vs. Treat），计算的是“组间”整体的通路富集。
• ssGSEA 的突破：Single-sample GSEA 顾名思义，它可以针对每一个单独的样本（Single Sample）计算出一套通路富集得分（Enrichment Score, ES）。
• 算法逻辑：针对样本 A，根据其所有蛋白质表达量的相对高低进行排序，计算某个特定通路（如“凋亡通路”）里的基因/蛋白是否普遍排在表达谱的前列。排得越靠前，说明该通路在这个样本里的激活程度越高，得分（ES）就越高。

② Hallmark 基因集 (MSigDB Hallmark Gene Sets)

• 来源：著名的分子签名数据库（MSigDB, Molecular Signatures Database）。
• 特点：Hallmark 基因集是 MSigDB 中精炼出来的 50 个最核心、冗余度最低、生物学意义最明确的标志性通路/生物过程（例如：HALLMARK_HYPOXIA 缺氧、HALLMARK_APOPTOSIS 细胞凋亡、HALLMARK_PI3K_AKT_MTOR_SIGNALING 信号转导等）。
• 作用：避免了使用传统 GO/KEGG 时数千个微小、冗余通路的干扰，直奔肿瘤或生理调控的最核心机制。

③ GSVA 软件包 (Gene Set Variation Analysis)

• R 包工具：GSVA 是 R 语言中实现 ssGSEA、GSVA 和 PLAGE 等无监督通路富集算法的标准工具包包。
• 计算产物：经过 GSVA 处理后，原始的 [蛋白质 $\times$ 样本] 表达矩阵，被成功降维转换为了 [50个 Hallmark 通路 $\times$ 样本] 的“通路活性得分矩阵”。

④ Limma 框架差异比较

• Limma 的作用：limma 是 R 语言中用于假设检验的标准线性模型工具包。
• 分析对象：在这里，limma 输入的不再是单个蛋白质的表达量，而是上一步算出的“通路富集得分（ssGSEA Scores）”。
• 结果：计算不同患者群组（如高风险患者 vs. 低风险患者，或癌种 A vs. 癌种 B）之间，哪些 Hallmark 通路的得分存在统计学显著差异（$P_{adj}<0.05$）。

---

2. 整个分析流程数据变化全景

[原始蛋白质表达矩阵] (10,000 蛋白 × N 样本)
       │
       ▼  使用 GSVA 包进行 ssGSEA 算法（对照 MSigDB Hallmark 50个通路）
[通路富集得分矩阵] (50 通路 × N 样本)
       │
       ▼  使用 Limma 线性模型进行组间假设检验（如 Group A vs. Group B）
[差异激活通路列表] (例如：发现 Group A 的 "缺氧通路" 得分显著高于 Group B)

---

3. 这种分析在科研中的优势

1. 从“单点”到“系统”：单个蛋白质的表达波动可能存在测量噪声，但如果整个通路里的几十个蛋白呈现协同上升或下降，其生物学结论（通路激活）就极其稳健。
2. 个性化打分：因为得到了每个患者个人的通路得分，后续可以直接把这个“通路得分”与患者的临床预后（如生存时间 OS、无进展生存期 PFS）做 Cox 回归，寻找影响预后的关键通路。

---

总结重述（通俗版）

这段话的意思是：
研究人员利用 GSVA 软件包中的 ssGSEA 算法，将每个患者样本的蛋白质表达谱转化为 MSigDB 50 个核心 Hallmark 通路的“激活得分”。
随后，他们将这些通路活性得分输入到 Limma 差异分析框架中，比较了不同患者群体（如不同亚型或预后分组）之间哪些生物学通路被显著激活或抑制，从而在系统功能层面揭示了病理机制的差异。

这段话描述的是研究团队**为了筛选出“既高度特异于某种肿瘤，又能够精准保留其原始器官特征”的靶点蛋白**，所设计的极其严苛的两级筛选（Two-level Filtering）机制：

1. **全局层面**：定义“**肿瘤富集蛋白（Tumour-enriched Proteins）**”——要求在肿瘤中暴顶，但在对应的癌旁非肿瘤及全身体其它正常组织中都极低。
2. **局部/器官层面**：定义“**局部富集 DEP（Locally Enriched DEPs）**”——要求这个肿瘤蛋白**同时还必须是其源器官（正常组织）的‘家乡特异性蛋白’**。

---

### 1. 第一部分：如何定义“肿瘤富集蛋白”？

为了确保筛选出的蛋白质是真的在**这种肿瘤**中特异性高表达，作者设置了**三重严格门槛**：

#### ① 统计学双重显著（T vs NT + T vs N）

* **T vs NT 显著上调**：在特定器官的肿瘤（Tumour）中，表达量显著高于配对的癌旁组织（Non-tumour）。
* **T vs N 显著上调**：在肿瘤中，表达量显著高于由多种健康器官构成的**全身体正常组织面板（Normal Panel）**。
* **模型细节**：使用线性混合模型（LMM）控制了样本采集批次（Batch）这一固定协变量（Fixed Covariate），确保差异不是由批次效应引起的。



#### ② 极值限制：全身体正常组织的最大值，不能超过肿瘤的“底部”

> *"所有 N 样本的最大强度需低于 T 样本的第 25 百分位强度"*

* **含义**：拿全身体所有正常组织（N）中表达量最高的那个异常样本（$N_{max}$）来比，它的表达量**也必须低于肿瘤（T）样本中表达量偏低的那 25% 样本（$T_{25\%}$）**。
* **目的**：彻底排除那些“虽然平均值低，但在某些正常器官（如肝或肾）里偶尔出现极高表达”的假特异蛋白，**确保全身体任何正常器官都不会误击该靶点（安全性保证）**。

#### ③ 均值限制：正常组织的最高中位数，不到肿瘤中位数的一半

> *"N 样本的最高中位强度需小于 T 样本中位强度的一半"*

* **含义**：任何正常器官组的**表达中位数**，都不能达到肿瘤组表达中位数的 **50%（即肿瘤中位数至少是正常最高中位数的 2 倍以上）**。

---

### 2. 第二部分：什么是“局部富集 DEPs（Locally Enriched DEPs）”？

> *"肿瘤特异性 DEP 列表被映射为正常样本中组织富集蛋白。局部富集的 DEP 被定义为它们的交点。"*

这一步是在前一步筛选出的“肿瘤特异性 DEP”基础之上，与前面提到的“正常器官组织富集蛋白（Tissue-enriched Proteins in Normal）”取**交集（Intersection）**。

#### 为什么取这个交集？生物学意义是什么？

* **肿瘤特异性 DEP**：代表该蛋白在**癌变状态**下爆发式增长（具有癌症特异性）。
* **正常组织富集蛋白**：代表该蛋白在**正常生理状态**下只在这个特定器官（如只在肝脏，或只在肾脏）里表达，在其他器官不表达（具有起源器官记忆/ lineage specificity）。
* **交集（Locally Enriched DEP）**：
* **含义**：这个蛋白质**既是这个器官的原生记忆标记（记住它来自哪里），又在这个器官发生肿瘤后被急剧放大（标志着肿瘤的发生）**。
* **临床价值**：这类“局部富集蛋白”是**极其理想的肿瘤诊断标志物和靶向治疗靶点**！因为它不仅能指示“长了肿瘤”，还能精准指示“这个肿瘤源自哪里的器官”，且对其他正常器官的毒副作用极小。



---

### 总结重述（通俗版）

> **这段话的意思是：**
> 研究人员首先通过**三重门槛（统计显著 + 绝对极值压制 + 中位数倍数）**筛选出了在某种肿瘤中暴顶、但在癌旁和全身所有健康组织中都极低的**“肿瘤富集蛋白”**。
> 随后，他们将这些肿瘤蛋白与该器官在健康状态下的**“器官特异性蛋白”取交集**，定义为**“局部富集 DEP（Locally Enriched DEPs）”**。
> 这类蛋白**既带有源器官的组织身份印记，又在癌变后高度特异地表达**，是兼具“器官定位”与“癌症特异”的双重核心靶点。