统计自救指南1: 拥抱不确定性

· 8 min read · Tutorials

统计自救指南1: 拥抱不确定性

统计自救指南1: 拥抱不确定性

前段时间更新qPCR小工具（详见qPCR工具更新！），发现我之前犯了个错误（也就是在非正态分布的fold change上做ANOVA）。在更正的同时，我也重新开始重视科研中常常容易被忽略、混淆的一些统计学概念——统计自救指南 这个系列就这么诞生了。作为第一个主题，我们来聊聊不确定性（uncertainty） 。

做过实验的你，一定有过这样的灵魂拷问：

  • 为什么我严格重复了三次 qRT-PCR，每次的 Ct 值都不完全一样？
  • 为什么我的两个生物学重复样本，测序回来一看，基因表达量差异那么大？
  • 我根据测序结果说这个基因“上调”，这个结论到底有多可靠？

这一切的背后，都指向一个幽灵——随机性 。而统计学，就是我们驯服这个幽灵的唯一工具。它不告诉我们“对”或“错”，而是告诉我们**“犯错的可能性有多大”** 。

这篇推文改编自 Nature Methods 的经典科普系列 Points of Significance ，希望能用最通俗的语言，帮你建立起在生物信息分析中至关重要的统计学思维。

你的科研直觉，真的靠谱吗？

在深入统计学之前，我们先玩个游戏，体验一下我们的大脑在概率面前有多么“不堪一击”。

三门问题 (The Monty Hall Problem)

  1. 舞台上有三扇门，一扇门后是跑车，另两扇门后是山羊。
  2. 你选择了 1号门 （此时你中奖的概率是 1/3）。
  3. 主持人知道车在哪。他打开了 3号门 ，后面是山羊，以此帮你排除一个错误答案。
  4. 现在，主持人给你一次机会：你是坚持选择1号门，还是换到剩下的 2号门 ？

你的第一反应是什么？是不是觉得剩下两扇门，选哪个都一样，概率都是 50%？

然而正确答案是：果断换！换到2号门，你中奖的概率会从 1/3 飙升到 2/3！

是不是有点反直觉？当年这个答案发表时，甚至引来了数千名读者（包括许多博士）的激烈反对。这个小小的例子血淋淋地告诉我们：面对不确定性，直觉往往会欺骗我们 。在处理复杂的生物学数据时，我们就更需要统计学这个“外挂”来指导决策。

统计学的两大世界：描述与推断

简单来说，统计学可以分为两个领域：

  1. 描述性统计 (Descriptive Statistics)

    • 任务 ：专注“总结”。用几个关键指标，比如均值（Mean） 和标准差（Standard Deviation） ，来描绘一份数据的全貌。
    • 例子 ：计算你10个样本中，某个基因的平均表达量和表达量的波动范围。

  2. 推断性统计 (Inferential Statistics)

    • 任务 ：专注“推测”。从你手头有限的数据（样本）出发，去推断更大范围（总体）的情况。
    • 例子 ：根据你10个肝癌病人的测序数据，推断某个基因在所有 肝癌病人中的表达规律。这正是我们科学研究的核心目标。

而连接这两个世界的桥梁，就是抽样（Sampling） 。

从“总体”到“样本”：管中窥豹的艺术

要理解推断，必须先搞懂两个核心概念：总体 和样本 。

  • 总体 (Population)：我们研究的** 所有**对象的集合。例如，全世界所有正常人的肝脏细胞、某个物种的所有可能的基因转录本。总体有其“真实”的参数，但往往无法直接测量，比如：
    • **总体均值  ** ：描述总体的平均水平。
    • **总体标准差  ** ：描述总体中个体间的差异大小。

Figure 1Figure 1

图1解说 ：(a) 假设这就是某个基因在所有 细胞中的表达量分布，红线是它的真实平均值 。(b)  决定了分布的“位置”，而  决定了分布的“胖瘦”程度。

  • 样本 (Sample)  ：我们从总体中实际观测到的一小部分数据。例如，你测序的3个重复样本、你在显微镜下观察的100个细胞。样本也有对应的统计量：
    • **样本均值  ** (读作 X-bar)
    • **样本标准差  **

我们所有分析的起点，就是用样本的  和  去估计 总体的  和 。

❗️关键点 ：要想让这个“估计”靠谱，你的样本必须对总体有代表性 。最常用的方法就是随机抽样 ，确保总体里每个成员都有平等的机会被你抽中。一个有偏的选择（比如只挑长得好的细胞）会让你的所有结论都偏离真相。

Figure 2Figure 2

图2解说 ：(a) 这是一个我们无法完全观测的总体分布。(b) 我们从里面随机抽取了三个不同的样本（），每个样本都计算出一个自己的样本均值。(c) 如果我们能把所有可能 的样本均值都收集起来，它们的分布就构成了“样本均值的抽样分布”。

统计学的“神之定理”：中心极限定理

你可能会想，我的样本千奇百怪，用它来推断总体，心里很没底啊！ 别怕，统计学里最重要、最神奇的定理之一——中心极限定理 (Central Limit Theorem, CLT)  来给你“撑腰”了。

CLT的核心思想 ：

不管你的“总体”长什么样（无论是正态、均匀还是奇形怪状），只要你抽的样本量   足够大，那么无数个“样本均值”汇集起来的分布，一定会趋近于一个正态分布 （就是那个经典的钟形曲线）。

Figure 3Figure 3

图3解说 ：即使原始的总体分布是偏态、均匀甚至不规则的，只要样本量  逐渐增大（从3到20），样本均值的分布（下面几行）都越来越像一个标准的“正态分布”。

CLT还告诉我们这个“样本均值分布”的两个关键参数：

  1. 它的均值  就等于总体均值 。
  2. 它的标准差 。

这个  有个更响亮的名字，叫标准误差 (Standard Error of the Mean, SEM)  。

标准差 (SD) vs. 标准误差 (SEM)：你真的分得清吗？

这是无数科研人混淆的重灾区，我们必须把它掰扯清楚：

  • 标准差 (Standard Deviation, SD, 符号  )

    • 描述的是 ：你数据本身的离散程度。
    • 回答的问题是 ：“我的生物学重复样本之间，数值波动有多大？”
    • 用途 ：主要用于描述性统计，告诉你数据的分布胖瘦。

  • 标准误差 (Standard Error of the Mean, SEM, 符号  )

    • 描述的是 ：你计算出的样本均值 ，距离真实的总体均值 可能有多远。换句话说，它衡量的是你估计的精度 。
    • 回答的问题是 ：“我这次实验算出来的平均值，有多大把握接近真实世界的平均值？”
    • 用途 ：主要用于推断性统计，常用于图表中的误差棒 (Error Bar)，展示均值的置信度。

简单总结：SD描述数据，SEM描述均值的精度。

精度的代价：为什么说“大力不一定出奇迹”

从标准误差的公式  中，我们能发现一个残酷的真相：

样本量   的增加，对提升精度的效果是开根号的，也就是边际效益递减。

举个例子 ：你花了很大力气，把生物学重复从3个增加到了6个，样本量翻了一倍。但你的估计精度（以SEM衡量）只提升到原来的 。

要想让你的精度翻一倍（SEM减半），你需要把样本量增加到原来的四倍！  (例如，从3个重复增加到12个！)

Figure 4Figure 4

图4解说 ：随着样本量  的增加，样本均值（，上方曲线）和样本标准差（，中间曲线）会逐渐收敛并稳定在总体真实值（红线）附近。而标准误差（s.e.m.，下方曲线）则会随着  的规律持续下降，但下降速度越来越慢。

这个  规则，是我们在设计实验、考虑要测多少样本时，必须牢记的“性价比”法则。

课代表总结

统计学不是一堆复杂的公式，而是一种思维方式。在处理高通量数据时，请记住：

  1. 拥抱不确定性 ：永远不要把你的测量值（比如某个基因的TPM=150）看作一个绝对真理。它只是一个估计值 。承认并量化不确定性，是科学精神的体现。

  2. 警惕小样本 ：当生物学重复很少时（比如只有n=2或3），你的样本均值可能离真实情况很远。在解释结论时，一定要保持谨慎。

  3. 理解精度的成本 ：在追求更高统计功效时，要权衡增加样本量带来的成本和实际的精度提升。 决定了“大力”不一定能出“奇迹”。

  4. 区分SD与SEM ：在阅读文献或绘制图表时，明确图中的误差棒代表的是SD还是SEM。前者展示数据波动，后者展示均值精度，含义天差地别。

我们的目标，不是消灭不确定性，而是科学地量化和管理它 。理解了今天的内容，你就已经迈出了从“数据分析员”到“数据科学家”的关键一步。

下期预告 ：我们将继续深入，探讨如何用置信区间 (Confidence Intervals)  来更直观地界定不确定性，以及误差棒 (Error Bars)  的正确画法与解读。敬请期待！

参考文献 : Krzywinski, M. & Altman, N. Importance of being uncertain. Nature Methods  10, 809-810 (2013).

Statistics R Bioinformatics