纯生信还能发：三条新思路，哪条还有红利

纯生信还能发：三条新思路，哪条还有红利

单细胞MR、虚拟敲除、机器学习加分子对接，逐条拆开看

这两年纯生信投稿感觉都不同了。同样的差异分析+富集+免疫浸润+分子对接一条龙，几年前还能中个像样的刊，现在投出去审稿意见第一条常常是“创新性有限”或者“缺少实验验证”。不是分析做错了，而是这套流程已经跑了几万遍了，同样的TCGA和GEO数据，基本没什么问题可问了，换个癌种换个基因重画一遍罢了。

所以这两年大家开始寻找新方法：单细胞MR、虚拟细胞和虚拟敲除、机器学习+分子对接。这些词的确在好多高分文章中看到过，但是它们却处于不同的时期：有的是真空白，有的是大拥挤，有的是假新派。下面我把这三条道路拆开来看，分别讲讲它们解决什么问题，审稿人会从何处下手找茬，你的数据应该选择哪一条。

首先明确一点：纯生信并非不能发，只是“模板化的纯生信”不能发。以往流程之所以屡试不爽，是因为利用了数据的红利，公共数据库中有一些无人问津的队列等待被挖掘，谁率先行动，谁就能得分。现如今的这批数据反反复复的挖掘，同一个癌种的表达被几十篇文章用过，审稿人看到同样的来源，同样的顺序，已经打折扣了。

另一个变化来自于审稿人自身。现在很多审稿人自己就是做生信的，一眼就能看出你的图是默认参数跑出来的，还是你想清楚自己要什么。再加上AI工具降低了“产出文章”的难度，投稿增多后，期刊筛稿的初筛标准随之细化：是否存在独立数据复现，是否存在一些实验验证，代码数据是否公开。所以新方法真正的价值不是“看起来高级”，而是能把文章从“描述关联”推进到“支持因果或扰动”。想明白了这一点，再看那三条路，就会好判断多了。

单细胞孟德尔随机化解决的是“定位”问题。传统 MR 用 bulk 水平的 eQTL 当工具变量，一个基因对应一个暴露，你只能得出“这个基因的表达与疾病风险有关”，但说不清这个表达发生在哪种细胞里。把单细胞层面的信息接进来之后——无论是用公开的单细胞 eQTL 资源，还是用自己 scRNA-seq 得到的细胞类型特异表达——暴露就变得具体了：不是“某基因与疾病相关”，而是“某基因在某种免疫细胞里的表达影响疾病风险”。这种转变对于讲故事至关重要，并且它基本上不依赖于湿实验且数据是可获得的。

但它的坑也很明显。IV太少，弱工具偏倚；暴露和结局同一样本，样本重叠被质疑；多效性、细胞类型注释误差、“你到底把什么定义为暴露”...现在的审稿意见中要求补共定位分析、补敏感性分析、说明为什么选这个细胞类型的比例明显在增加。这条路还有空间，但门槛已经从“能跑通”变成了“跑得对”。

虚拟细胞和虚拟敲除解决的是“扰动”问题。真实敲一个基因要做细胞实验，而虚拟敲除是在计算上把某个基因的表达抹掉，用扰动预测模型或单细胞基础模型推演下游转录组会怎么变，从而提出一条机制假设。它的好处是故事完整性极强：上游找到关键细胞亚群，中间虚拟敲除，下游看到通路变化，一条链条就串起来了，图也好看。

风险也显而易见。预测就是预测，审稿人的第一个问题常常是“你的预测有什么独立证据”。如果只是把模型输出画成几张热图，很容易被追问“换个模型结论还成立吗”“和简单的差异分析比，多出来的信息是什么”。所以这条是高风险高回报，你必须提前想好了一个锚点，公共的扰动数据、一个独立的队列或者哪怕一点点细胞的验证。无锚点的虚拟敲除本质上仍是看图说话。

机器学习加分子对接解决的是“筛选与排序”问题。机器学习从一堆基因中挑选出少数基因，建立诊断或预后模型，而分子对接则能告诉你候选化合物与靶点之间是否存在结构上的结合可能。门槛低、图表漂亮、审稿人也熟悉，因此它是最拥挤的一条。

问题在于它经常将“预测”等同于“验证”。对接打分和真实结合亲和力相关性很低，许多审稿人不再接受“对接成功”作为实验验证的替代。机器学习模型的自身硬伤也不少见：无外部队列验证、在同一个样本上进行特征选择和交叉验证导致数据泄漏、只给出AUC而无校准曲线与临床决策曲线。这条路的现实是——可以做，但更适合当配角；想靠“LASSO 筛基因加对接加免疫浸润”撑起一篇高分文章，现在很难。

把三条路放在一起对比，差别其实不在方法本身，而在“有没有配套的验证设计”。同样的单细胞MR，有人做成了一篇有说服力的文章，有人只是在两样本MR上贴了个单细胞的标签。下面几组对比，可以直接拿来对照自己的方案。

看完这张对照会发现，真正决定成败的不是选了哪个新词，而是你有没有为它配上一套“能被追问”的设计。单细胞MR的追问是“你怎么证明这个暴露是对的”，虚拟敲除的追问是“你的预测凭什么可信”，机器学习的追问是“换一批人会怎样”。把三个问题的答案提前写在方法部分比换十种方法都管用。

最省事的方法就是先问“现在什么火”然后找数据。这个顺序就反了，在后面就会一路难受，数据凑不上暴露与结局的配对，只能硬做；无独立队列，只能用一堆敏感性分析撑场面。正确的顺序是先想清楚一句话的问题，然后倒推需要什么证据，最后才看哪种方法能给出这种证据。

如果是刚开始的只有公开数据的，最稳妥的办法就是先进行单细胞的描述性分析，寻找一个特异性的细胞信号，然后进行MR研究因果方向，再用一点点独立的数据或者文献来收口。这条路径的优点是每步都有退路，不像虚拟敲除那样，模型运行了却无法回答“然后呢”。

流程性的活现在确实可以省不少力气。像 PaperOK 科研助手的生信模式，可以直接检索下载 GEO 等公开数据，把质控、聚类注释、差异富集、MR 这类步骤跑成有记录的流程，还会留下可复现的脚本，省下来的时间用来想设计和验证更划算。但要清楚，工具能替你跑分析，替不了你判断“这个暴露定义对不对”“这个细胞注释可不可信”。

第一个坑就是堆方法。一篇文章堆砌单细胞、MR、虚拟敲除、机器学习、分子对接，看似面面俱到，实则每个方法都是“能出图”。审稿人不会因为你有五个方法就给你打高分，反而会把最薄弱的一个方法揪出来问。聪明一点的做法是选一种方法深入论证，其他的方法仅仅起到辅助作用，并明确说明每一种方法在整个论证过程中的作用。

第二个坑是拿预测当验证，这一点在分子对接中最为常见。对接只给出一个结合可能性的排序，而不是“这个化合物确实有效”的证据。虚拟敲除也是如此，模型预测敲除该基因的下游通路会发生变化，并不代表其真的会发生变化。文中用词模糊，将“预测”写成“证实”，审稿人会抓住不放。老老实实的写“提示”“预测”反倒容易过。

第三个坑就是脱离临床问题。模型AUC达到0.95，但是样本量少、无外部验证，其实意义并不大；相反，一个AUC为0.75的模型，有明确的人群界定、合理的对照和DC曲线，反而更有说服力。审稿人不在乎你用了多牛的算法，只关心这个结论谁用，能用多大。

最后一个坑是闭门造车。投之前花点时间看看目标期刊最近半年发表的纯生信的文章，看看这些文章是否有实验验证、数据的公开程度如何、方法是如何组合的。这个动作不到2个小时，但是可以省去一次3个月的返工。方法会过时，但问题不会。想清楚你想回答的问题是否值得回答，比追逐下一个热点更可靠。

工具在换代，审稿人看的还是那条证据链