可复现方法拆解

跟完这篇，您能拿一篇论文的方法部分（Methods），把它逐句拆成一份能照着做的分析步骤清单，给每一步标出「能不能复现」，并把作者没写清的窟窿单独列成一张明确的缺信息清单——而不是读完一遍云里雾里，动手时处处卡壳。

复现一段分析，最难的往往不是跑代码，而是读懂论文到底做了什么、又漏说了什么。方法部分常常一句话带过好几步，参数藏在附录里，版本号只字未提。这篇不绑定某一种分析，教您一套通用的拆解办法：把一段文字变成一串动作，再逐个动作判断底气够不够。

先把 Methods 逐句拆成动作

动手之前，先把方法部分从头到尾读一遍，边读边把每一句话翻译成一个具体动作：这一步做什么、吃什么输入、吐什么输出、用什么工具。别急着理解「为什么」，先把「做了什么」按顺序抄下来。

建议做成一张表，一行一个动作。以一段常见的转录组方法描述为例，拆出来大致是这样：

顺序	论文原话（示意）	拆成的动作	输入 → 输出	工具
1	reads were aligned to GRCh38	比对到参考基因组	fastq → bam	未写明
2	gene-level counts were quantified	按基因统计 read 数	bam → counts 矩阵	featureCounts？
3	differential expression was assessed	跑差异分析	counts → 差异表	DESeq2
4	genes with padj < 0.05 were considered significant	按阈值筛差异基因	差异表 → 显著基因	阈值筛选
5	a volcano plot was generated	画火山图	差异表 → 图	未写明

拆的时候把握三点：

一句话可能藏着好几步。 「reads were processed and aligned」其实包含去接头、质控、比对至少三步，别让它们挤在一行里。
把工具那一列如实填「未写明」。 拆解阶段不要脑补，作者没说用什么就空着或打问号——这些问号正是下一步要评估的重点。
顺着数据流走。 每一步的输出，应该正好是下一步的输入。如果两步之间的数据形态对不上，多半是中间漏抄了一步。

给每一步标一个可复现等级

动作清单列完，逐行给它评一个「可复现等级」。判断标准很朴素：照着论文写的，您能不能不猜就把这一步做出来。 分三档就够用：

等级	含义	判断依据
🟢 可直接复现	照抄就能做	数据可得、工具与版本明确、关键参数写全
🟡 缺参数、可按惯例补	主体清楚，个别信息要补	工具明确但漏了某个参数，能用公认默认值补上并注明
🔴 信息不全、无法忠实复现	照论文做不出来	数据不公开、关键步骤没写、或用了未公开的自研脚本

把上一节那张表加一列，逐行打分。评完您会得到一张清晰的「地形图」：绿的照做，黄的补默认值并记一笔，红的单独拎出来重点处理。

几条打分时的经验：

「未写明工具」不必然是红灯。 如果这一步有唯一的行业标准做法（比如「按基因统计 read 数」几乎都用 featureCounts 或 HTSeq），可以标黄，选一个主流工具并注明这是您的假设。
阈值缺失多数是黄灯。 padj < 0.05、|log2FC| > 1 这类是文献里的常用惯例，作者没写您也能按惯例补——但要清楚这是惯例、按数据调、不是铁律，且要写明您补的是哪一套。
数据拿不到，直接红灯。 再清楚的方法，没有数据也复现不了。数据可得性是所有绿灯的前提，下一节专门盘它。

盘点数据与代码能不能拿到

复现能不能起步，先看两样东西到底公不公开：数据和代码。论文里通常各有一段专门的声明，先把它们找出来。

数据可得性（Data availability）。 一般在正文末尾或附录，找里面的登录号（accession），它决定您去哪儿取数据：

登录号形态	对应数据库	说明
`GSExxxxx`	GEO	转录组等，常附处理好的表达矩阵
`PRJNAxxxxx` / `SRRxxxxx`	SRA	原始测序 reads（fastq）
`E-MTAB-xxxx`	ArrayExpress	表达数据
`PXDxxxxx`	PRIDE	蛋白质组质谱数据
`EGAxxxxx`	EGA	受控访问，需申请授权

看到 GSE 编号，优先去它页面底部找 Supplementary file 里有没有现成的表达矩阵——有的话能跳过比对定量，复现难度骤降。怎么找、怎么下，见 GEO 数据库检索入门。

代码可得性（Code availability）。 越来越多论文会给一个代码仓库，有它复现事半功倍。留意这几样，价值从高到低：

完整仓库 + 环境文件：GitHub 链接里若带 Dockerfile、environment.yml（conda）、renv.lock（R）或 Snakemake/Nextflow 流程文件，说明作者把环境也固化了，这是最理想的情况。
只有脚本、没有环境：能看懂流程和参数，但版本要自己对齐，标黄。
写着「code available upon request」：等于暂时没有，标红，能否拿到看后续联系。

一句务实的话：能用作者公开的数据和代码，就别自己从零重搭。 复现的价值在于验证结论，不在于炫技。作者铺好的路，走就是了。

把关键参数一项项抠出来

绿灯和黄灯的步骤，接下来要把能左右结果的参数一项项抠出来，抄进一张「参数清单」。方法部分写参数往往东一句西一句，甚至塞在图注和附表里，要主动去翻。

常见且要紧的几类：

参数类别	举例	漏了会怎样
参考版本	GRCh38 vs GRCh37、Ensembl release 号	基因 ID 与表达量对不上，是复现失败的高发根源
软件与版本	DESeq2 1.40.x、Seurat v5	不同版本默认行为可能变，结果有出入
分组与比较方向	treated vs. control，谁是对照	方向写反，上下调整体镜像
筛选阈值	`padj < 0.05`、`	log2FC
过滤 / 质控标准	低表达过滤、线粒体比例上限	保留的特征不同，下游全变
关键开关	是否做 `lfcShrink()` 收缩、是否校正批次	影响数值范围与显著性

抠参数时提醒两点：

阈值要照抄、别优化。 复现阶段忠实还原比「跑得更好」重要，作者用 padj < 0.05 您就用 0.05。这些阈值是常用惯例、按数据调、不是铁律，但判断它合不合理是原作者的事，不是复现要解决的问题。
p < 0.05 到底指校正前还是校正后，务必抠清。 有的论文写 p 其实指 padj，口径差一个字，显著基因数量级就变。拿不准时以「校正后」为准更稳妥，并在复现说明里注明您的选择。

缺信息的地方怎么办

抠到最后，总有些窟窿：某个参数没写、某步工具没提、某个样本被剔除却没说清。把这些单独列成一张缺信息清单——这是这篇的核心产出之一，它让「哪里靠猜」一目了然。

缺什么	影响大小	处理办法
低表达过滤的具体阈值	中	按惯例（如 counts 行和 ≥ 10）补，注明是假设
是否做了 log2FC 收缩	中	两种都试，看哪种更贴原图，记下选择
参考注释的确切 release 号	中高	用论文提到的基因组版本对应的常见 release，注明
剔除了哪些样本	高	核对样本数；对不上时回查附表 characteristics
自研脚本、未公开	高	无法忠实复现，只能按方法描述近似，明确标注

处理缺信息的三条原则：

能按惯例补的，补上并明确注明是假设。 别把猜测当成论文原文，每一处「我补的」都要留痕，方便别人（和将来的您）分辨。
影响大的窟窿，考虑联系作者。 通讯作者邮箱通常在文末。礼貌问清一两个关键参数，常常比自己反复试更省时。
补不上的，就诚实写「无法复现这一步」。 这不是失败。把边界讲清楚——「因缺少 X，此步按 Y 惯例近似」——本身就是有价值、负责任的产出。

关于数据本身残缺、信息不全时的更多应对，见数据不全怎么办。

按依赖顺序重排成能跑的流程

评级、抠参、补窟窿都做完，最后把动作清单按依赖顺序重排成一条能跑的流程。原则很简单：每一步只依赖它前面已经产出的东西。

推荐把流程拆成编号的模块，一个脚本干一件事，中间产物落盘。这样任何一步出问题，能从那一步重跑，不必从头再来：

# 按编号顺序执行，每步读上一步的产物、写自己的产物
Rscript 01_download.R     # 取数据 → data/counts.tsv
Rscript 02_qc.R           # 质控过滤 → data/counts_filtered.tsv
Rscript 03_diff.R         # 差异分析 → results/deg.csv
Rscript 04_figure.R       # 出图 → figures/volcano.pdf

每个脚本内部保持「读入 → 处理 → 写出」的清爽结构，把抠出来的参数集中放在开头，方便核对与调整：

# 03_diff.R —— 差异分析这一步

# ——— 参数区：全部照论文抄，缺的按惯例补并注明 ———
p_cut   <- 0.05   # 论文原文
lfc_cut <- 1      # 论文原文
ref_lvl <- "control"   # 论文的对照组

counts  <- read.csv("data/counts_filtered.tsv", ...)   # 读上一步产物
# …按论文口径跑差异…
write.csv(res, "results/deg.csv")                       # 写出，供下一步用

差异分析这一段的完整口径（建对象、跑流程、读结果、定阈值），见 DESeq2 差异表达分析怎么做对。一个具体到底的复现实例——从取数据到复刻火山图——见跟着论文复现一张火山图。

记下环境，写清偏差

流程能跑通之后，别忘了做两件让复现「站得住」的收尾：记录环境、写清偏差。

记录环境。 把您用的软件版本固化下来，既方便自己回溯，也是将来别人复现您结果的依据：

sessionInfo()        # 记下 R 与 DESeq2、ggplot2 等的版本号
# 若用 renv 管理依赖,可一并锁定
# renv::snapshot()   # 生成 renv.lock,精确固化每个包的版本

写清偏差。 把您和论文不一致的地方，逐条记成一份简短说明：哪些参数是照抄的、哪些是按惯例补的、哪些步骤因缺信息做了近似。这份说明和缺信息清单合在一起，就是您这次复现的「诚实档案」。

最后摆正对「复现」的期待：

复现追求的是趋势一致、结论可重现，不是像素级、小数点级的完全相同。尤其从原始 fastq 出发想和几年前的论文分毫不差，往往做不到——当年的软件版本、参考注释可能已难完整还原。只要主要结论能重现、差异能解释清楚，就是成功。

区分两个常被混用的词也有帮助：**复现（reproduce）**是用原数据、原方法得到一致结果；**重复（replicate）**是用新数据验证同一结论。这篇讲的是前者——把一篇论文的方法忠实地走一遍，并诚实标出哪里走不通。

在平台上跑一遍

上面这套「拆方法 → 评等级 → 抠参数 → 补窟窿 → 重排流程」，在百沐一下不写代码也能落地：把论文的方法段落和拿到的数据交给平台，用一句话说清「按 treated vs. control 跑 DESeq2、阈值照论文用 padj<0.05 且 |log2FC|>1」，平台会零代码替您跑完，并连同可复现的代码与用到的包版本一起交付，方便您和原文逐项比对，把「哪里对上了、哪里靠假设」看得清清楚楚。完整流程见组学智能体 · 使用指南。