7.3 当前主要挑战：可重复性的四笔债务

7.3 当前主要挑战：可重复性的四笔债务

代谢组学的可信度危机不是抽象批评，而是可以被拆解的四笔具体债务：鉴定瓶颈、流程异质性、报告不完整、验证缺失。每笔债务都有正在推进的偿还方案，但都没还清。

债务一：鉴定瓶颈

非靶向数据大部分特征永远停在"未知"。这不是仪器灵敏度问题而是组合爆炸问题：化学空间里可能的代谢物数量远超任何谱库。后果是文献里大量"identified"其实只是第 2、3 级注释（5.2 节），跨研究比较时同名异物的风险始终存在。偿还方案：标准品库扩容、CCS 库、计算谱预测——都在推进，都赶不上化学空间的膨胀速度。

债务二：流程异质性

同样叫"血浆非靶向"，不同实验室的取样、提取、色谱、数据处理参数各不相同。就算都正确，拼在一起也比较不了。偿还方案：参考物质。NIST 释放的血浆标准参考物质（SRM 1950）被各实验室当作公共锚点——你的方法测它得到什么，别人就知道怎么换算。方法学报告规范（如 MSI 最小报告标准）要求把参数全写出来，期刊审稿逐步在执行。

债务三：报告不完整

翻转的 iceberg：论文只报了顶端的显著结果，QC 数据、剔除样品、调过的参数都沉在水下。别人拿着同样数据换个参数就能得到不同结论——社区复现研究发现，同一原始数据不同分析团队的处理选择（峰检测参数、填补方法、归一化）能造成结果差异大到结论翻转。

偿还方案的核心一句话：原始数据与分析代码必须随文公开（MetaboLights、Metabolomics Workbench 两个公共库承担存证）。这不是道德呼吁，是让复现成为可能的最低条件。

债务四：验证缺失

6.1 节已详述：发现队列 AUC 冒充临床性能、缺乏独立队列复核。加上期刊对"阳性结果"的偏好，领域里堆积了大量未经复核的候选标志物。系统调研显示，进入临床指南的代谢组学标志物数量与文献产出量严重不成比例——这就是债务的利息。

四笔债务与偿还进度

💡 关键直觉：这四笔债务在"越小的实验室越难偿还"的意义上是系统性的。个人能做的最有效动作是管好自己的两件小事——QC 数据全公开、分析代码可复跑。信任是靠这两件小事攒出来的。

本节要点回顾

• 四笔债务：鉴定瓶颈、流程异质、报告不完整、验证缺失，各有对策但均未清偿
• SRM 1950 参考物质是跨实验室可比性的公共锚点
• 处理参数的选择性可让同一数据结论翻转，原始数据+代码公开是底线
• 候选标志物堆积而临床转化稀少，验证缺失的代价在利息上显现
• 个体行动：公开 QC 与代码，从自己的下一篇论文做起

第 8 章把对策整理成可执行的工具链与规范清单。

四大挑战的量化画像

注释覆盖率：非靶向数据中能 Level 2 以上注释的通常不足三成，环境样本更低于 10%——"检测到了但不知道是什么"是常态。定量线性：单次分析跨 7–9 个数量级浓度，任何标曲都只覆盖局部，超线性区的报告值是伪精确。批次效应：多中心研究中批次方差常超过疾病组间方差，Harmonization 前 PCA 按中心而非按疾病分组。标准缺失：样品前处理方法学全球实验室间差异大，同一冻干血清往返测量的室间 CV 可到 30–50%。

批次效应的量化：方差分解实例

import random
random.seed(5)
# 模拟 2 中心 × 2 组 × 10 样本的某代谢物浓度
data = []
for center, c_off in [("A", 100), ("B", 135)]:        # 中心间系统差 35%
    for group, g_eff in [("对照", 0), ("病例", 12)]:
        for _ in range(10):
            data.append((center, group, c_off + g_eff + random.gauss(0, 5)))
import statistics as st
grand = st.mean([v for _, _, v in data])
ss_center = sum(10*(st.mean([v for c,_,v in data if c==c0])-grand)**2
                for c0 in ["A","B"])
ss_group = sum(20*(st.mean([v for _,g,v in data if g==g0])-grand)**2
               for g0 in ["对照","病例"])
print(f"中心间离差平方和 = {ss_center:.0f}，组间 = {ss_group:.0f}")
print(f"批次效应是生物效应的 {ss_center/ss_group:.1f} 倍 → 未校正前不可比较")
# 校正路径：ComBat / 批内中心化，且必须保证每批内组平衡
​

代码揭示的比值（批次方差数倍于生物方差）是多中心代谢组学的典型处境，也是各家整合计划（如队列 harmonization 项目）的核心工程量。挑战清单的共同底色是：代谢组学的瓶颈已经从"测得出来"转到"说得清楚、测得一致"——下一阶段的竞争是标准化与数据基建，而非更高分辨的仪器。

室间标准化的练习：同一冻干质控品的往返

# 12 个实验室测同一质控血清的肌酐值（uM，模拟室间试验）
labs = [78, 82, 85, 91, 76, 240, 88, 83, 90, 87, 80, 86]
import statistics as st
med = st.median(labs)
outliers = [x for x in labs if abs(x - med) / med > 0.25]
clean = [x for x in labs if abs(x - med) / med <= 0.25]
cv_raw = st.stdev(labs) / st.mean(labs) * 100
cv_clean = st.stdev(clean) / st.mean(clean) * 100
print(f"原始 CV {cv_raw:.0f}% → 剔除离群({outliers})后 {cv_clean:.0f}%")
# 一个校准失误的实验室就能把室间 CV 推高过 30%：标准化先抓离群再谈平均
​