跳到正文
百沐一下百沐一下
登录
本节目录

用自然语言描述分析需求

跟完这篇，您能把一个模糊的「帮我分析一下」，改写成一句让对方（同事、生信工程师，或 AI 智能体）一次就懂的需求：说清数据、分组、目的和您已知的背景，少走来回、少踩返工。

「把需求说清楚」是一项和平台无关的通用能力。无论您是口头交代给合作者、写进论文的方法学，还是打字给 AI，一份好需求的骨架都一样——交代四件事：数据、分组、目的、您已知的。这四件事说全了，对方就不用靠猜；缺一件，就多一轮来回确认。这篇给您一套可照着填的写法和模板。

一句好需求，先看反例和正例

同一份数据、同一个问题，两种说法，得到的结果天差地别。

反例（对方只能靠猜）：

这是我的测序数据，帮我分析一下，看看有没有什么发现。

问题在哪？没说数据是什么形态、样本怎么分组、您到底想回答什么问题。对方要么反复追问，要么按自己的理解跑一版，多半不是您要的。

正例（一次就懂）：

这是一份人的 bulk 转录组原始 count 矩阵，24 个样本，分 tumor 和 normal 两组
（分组信息在附带的分组表里）。请以 normal 为对照，找出 tumor 里显著变化的
差异基因，再对上调基因做 GO / KEGG 富集。物种是人，阈值先用常规默认。

差别不在字多，而在把该交代的交代全了。下面拆开讲这四件事各要说什么。

第一件：交代数据

对方拿到您的需求，第一反应是「这是什么数据、能不能直接算」。把下面几点说清，就省掉大半追问。

要说的说清什么例子
数据类型bulk 转录组 / 单细胞 / 蛋白 / 临床表 ……「bulk RNA-seq」
数值形态原始 count、还是 TPM / FPKM、还是已标准化「原始 count 矩阵」
规模几个样本、大概几行（基因数）「24 个样本，约 2 万基因」
来源自测、公共数据（GEO / TCGA）、几批合并「GEO，两个数据集合并」
物种人 / 鼠 / 其他「人」

其中数值形态最容易被忽略，却最影响方法选择。举个高频例子：差异表达的负二项模型（DESeq2、edgeR）需要原始整数 count，不能喂 TPM / FPKM；如果您手上是标准化后的值，一定要讲明，否则对方可能用错方法。数据形态与整理规范见 表达矩阵与分组表整理规范。

如果数据来自公共库，把编号说出来（如 GSE12345、某个 TCGA 项目），对方能直接定位、少问一轮。怎么找见 GEO 数据检索。

第二件：说清分组与比较

这是最容易说岔、也最容易出错的一件。差异分析、组间比较、生存比较，全都依赖「谁跟谁比、谁是基准」。

要说清三点：

  1. 分组依据：样本按什么分组？分组信息在哪（哪一列、哪张表）？用文件里真实的组名，分组表写的是 tumor 就说 tumor，别换成「肿瘤组」，免得对不上。
  2. 比较方向：谁当对照（基准）、谁和它比。「tumor vs normal」和「normal vs tumor」方向相反，上调下调会整个反过来——务必说明哪个是参照。
  3. 配对与混杂：是不是配对设计（如同一批对象用药前后）？有没有批次、性别、年龄等需要一并考虑的混杂因素？有就一起交代，别等结果出来才想起。

一句可照抄的写法：

按分组表里的 group 列分组，以 normal 为对照，比较 tumor vs normal；
样本来自两个批次，batch 列已标注，请把批次作为混杂因素一起考虑。

混杂因素（如批次）会影响结论，说清了对方才能在模型里校正。批次问题的处理思路见 批次效应怎么处理。选比较方法本身犯难时，见 统计方法怎么选。

第三件：讲明目的

「目的」要分两层说清：回答什么问题，以及想要什么形式的结果。

回答什么问题——用一句「谁比谁、看什么」概括，别只说「做个分析」：

  • 找出两组之间显著变化的基因；
  • 看某个基因表达高低和生存时间有没有关系；
  • 把细胞分群、标注出有哪些细胞类型；
  • 看差异基因富集在哪些通路上。

想要什么形式的结果——把交付物说明白，对方才知道做到哪一步停：

您要的说法示例
一个结论「告诉我这两组差异大不大、主要差在哪」
一张图「画一张火山图，标出前 10 个基因」
一份结果表「导出差异基因列表，含 log2FC 和 padj」
可复现代码「附上跑这份结果的 R 代码」

一次聚焦一个主目标即可。先把差异分析跑出来，富集、画图这些可以后面接着追问，不必一口气全塞进一句话——反而容易说乱。相关下游教程见 差异分析（DESeq2）、富集分析怎么做、火山图怎么画怎么读。

第四件：补上您已知的

您对自己的数据和研究，往往知道一些对方不知道的关键信息。主动说出来，能少踩很多坑，也能让结果更贴近您的预期。

值得交代的「已知」包括：

  • 物种与注释：人还是鼠，基因用的是 Ensembl ID 还是 Symbol（影响富集时的物种数据库和 ID 转换）。ID 问题见 基因 ID 转换。
  • 阈值偏好：有没有想用的显著性标准。没有就说「用常规默认」。常用惯例是 padj < 0.05 且 |log2FC| > 1（约 2 倍变化）——这是领域内常用惯例、不是铁律，样本量、噪声、差异基因多少都会影响取舍，按数据调即可。
  • 已知的问题：比如「有两个样本质量偏低」「知道存在批次」「某组样本量偏小」。提前说，对方能针对性处理。
  • 预期方向：如果您预期某基因在处理组升高，说出来能帮对方核对结果方向对不对（但别把预期当成结论去凑）。
  • 硬约束：必须用某个方法、要对齐某篇文献的做法、物种数据库指定哪个——有要求就直说。

一句示例：

基因是 Ensembl ID，物种人；阈值用常规默认即可；已知样本来自两批、有批次效应；
其中 S07、S18 质量偏低，可先保留、在质控图里帮我看看要不要剔除。

照着改就能用的模板

把上面四件事套进一个固定骨架，遇到新任务照着填空即可。这个模板对同事、对 AI 都通用：

【数据】<类型 + 数值形态 + 样本数 + 来源 + 物种>
【分组】<分组列 + 真实组名 + 谁 vs 谁（谁是对照）+ 是否配对 / 有无混杂>
【目的】<要回答的问题 + 想要的结果形式：结论 / 图 / 表 / 代码>
【已知】<阈值偏好 + 已知问题 + 硬约束等，没有就写「按常规默认」>

三个填好的例子，照着改成您自己的：

差异表达 + 富集（bulk 转录组）

【数据】人 bulk RNA-seq 原始 count 矩阵，24 样本，自测。
【分组】按 group 列分 tumor / normal，以 normal 为对照，无配对，样本来自两批（batch 列）。
【目的】找出 tumor 里的差异基因，对上调基因做 GO / KEGG 富集；要结果表 + 火山图 + 代码。
【已知】Ensembl ID；阈值按常规默认（padj<0.05、|log2FC|>1）；把批次作为混杂一起考虑。

生存分析

【数据】某队列临床表 + 一个目标基因的表达值，300 例，含随访时间与结局。
【分组】按该基因表达中位数分高 / 低表达两组。
【目的】看高低表达组的总生存有没有差异；要一张 KM 曲线 + Log-rank 的 p 值。
【已知】time 列是月，status 里 1=死亡、0=删失；先只做单变量，暂不校正其他因素。

单细胞分群

【数据】人外周血单细胞 10x 数据，3 个样本，原始表达矩阵。
【分组】暂不比较分组，先把三样本整合到一起看。
【目的】做质控、聚类、注释出主要细胞类型，给一张 UMAP。
【已知】按常规默认走质控（线粒体比例、基因数上下限按数据定）；物种人。

单细胞的整体流程见 单细胞分析全流程。

描述前的自查清单

把需求发出去之前，对着这张表过一遍，四件事都打上勾，基本就不会来回返工：

检查项打勾标准
数据说清了类型、数值形态（count / TPM / 已标准化）、样本数、物种
分组用了真实组名、讲明了谁是对照、交代了配对与混杂
目的一句话说清要回答什么，也说清要什么形式的结果
已知交代了 ID 类型、阈值偏好、已知问题与硬约束
聚焦一次只提一个主目标，其余留到后面追问

还有两条通用习惯：能给例子就给例子（贴一小段数据的表头，胜过一大段描述）；不确定的地方如实说不确定，别为了显得专业而编一个自己也没把握的阈值或方法——把判断留给对方或后续讨论，反而更稳。

在平台上跑一遍

上面这套「说清四件事」，在百沐一下就是您在对话框里打的那句话——不写代码，把数据、分组、目的、已知说清楚，组学智能体 会把它拆成分析步骤，在分组、比较方向、阈值这些关键处回头跟您确认，最后交回结论、图、表和可复现代码；说得不够全也没关系，缺的部分它会主动追问。

👉 打开 https://app.baimuyixia.com，进【数据分析 → 组学智能体】，把这篇的模板照着填一句发出去即可。

相关