Incomplete references leave bulk deconvolution targets non-identifiable, but identification has a computable precision price
本文认为，不完整的参考谱图使得批量反卷积目标变得不可识别，而不仅仅是难以估计，并证明了标准点估计往往缺乏覆盖度且可能导致生物学结论的反转，同时提出了一种新的框架，该框架优先考虑认证精度、覆盖度和误认证指标，而非简单的收缩。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
想象一座规模宏大、繁忙喧嚣的城市，数百万人在各自独特的社区中生活，每个社区都有其独特的文化和语言。现在，想象你拿到了一段关于这座城市总噪音的单一混合录音——那是各种声音、交通声和音乐交织在一起，无法分辨的嘈杂声。你的任务是仅凭这段单一的录音，就弄清楚每个社区到底住了多少人。这正是科学家研究人体时面临的日常挑战。我们的组织并非均匀的细胞块，而是由不同细胞类型组成的复杂马赛克，从免疫防御者到结构支持者应有尽有。为了理解这些组织在健康或疾病状态下的功能，研究人员通常会采集一份组织样本，测量其中所有细胞的总遗传活性，然后尝试通过数学方法将这种混合物拆解回其独立的组成部分。这个过程被称为“反卷积”（deconvolution），它是现代基因组学的核心工具，使科学家能够在无需物理分离单个细胞的情况下，估算出不同细胞类型的比例。
然而，这种方法存在一个根本性的问题。要解开混合录音的谜题，你需要一份参考指南——即每个社区在单独存在时听起来是什么样的库。在现实世界中，这些参考指南往往是不完整的。科学家可能拥有一份完美的免疫细胞录音，但却缺乏一种难以分离的稀有且脆弱的细胞类型的清晰录音。当参考资料缺失了一部分时，数学解就会变得不稳定。多年来，科学界一直试图通过发明巧妙的算法来猜测缺失的部分，或者干脆忽略这一差距，寄希望于剩余的数据足以支撑结论。主流假设一直是：如果你拥有足够强大的计算机模型，即使你的参考库并不完美，你仍然可以得到可靠的答案。
一项新的研究挑战了这一令人安心的假设，揭示了问题远比单纯的数据缺失要深层得多。由北京协和医学院附属医院团队领导的研究人员发现，不完整的参考资料不仅会让答案的准确性略微下降，更会让答案变得在本质上“不可识别”。换句话说，数据本身并不包含足以确定真实细胞比例的信息。更糟糕的是，这项研究表明，科学家处理数据的方式与数据本身同样重要。如果两名研究人员使用完全相同的缺失参考资料和完全相同的组织样本，但由于他们过去学习数学工具时所使用的参考版本略有不同，他们将会得出完全不同的结论。一个人可能会发现某种特定细胞类型在疾病中增加了，而另一个人却发现它在减少。两人都遵循了规则，使用了相同的原始数字，却讲述了截然相反的故事。
研究人员通过在包括血液、肺部和大脑组织在内的九个不同人类组织队列中进行大规模系列实验证明了这一点。他们采用了标准的参考指南，并故意每次移除一种细胞类型，以模拟不完整的库。然后，他们对每个样本进行了两次分析。在第一次运行中，他们保持数学工具的“记忆”与最初在完整、完美的参考资料上训练时完全一致。在第二次运行中，他们迫使工具仅利用这个不完整、受损的参考资料重新学习一切。结果令人震惊。在近 30% 的案例中，两种方法产生的结果差异巨大，以至于无法调和。更关键的是，在九个队列的 160 多个实例中，两种方法颠倒了科学关联的方向。在一种历史背景下显示与疾病呈正相关的细胞类型，在另一种历史背景下则显示为负相关。这意味着，工具训练的历史可以改变从数据中得出的科学结论，即便数据和最终的参考资料看起来是一模一样的。
该研究进一步表明，这不仅是计算机工具的问题，更是数据本身的问题。即使你可以冻结计算机工具并阻止其变化，缺失的细胞类型也会造成一个数学上的真空，这个真空是无法填补的。研究人员证明，对于给定的细胞混合物，存在无数种填充缺失部分的方式，且这些方式都能完美符合观察到的数据。其中一些方式会让某种细胞类型看起来占据主导地位，而另一些方式则会让另一种类型看起来占据主导。由于数据无法区分这些可能性，真实的答案便被隐藏了。研究发现，仅仅增加样本量或多次重复实验并不能解决问题。如果底层参考资料是不完整的，重复实验只会一遍又一遍地给出同样的模糊答案。
为了应对这一问题，该团队提出了一种看待这些实验的新思维方式。他们建议科学家不应强求从数据中获得一个精确的单一数值，而应该报告一个可能的范围并承认不确定性。他们开发了一个名为 fitdrop 的软件工具，帮助研究人员检查其结果在多大程度上依赖于参考库的历史，以及缺失数据在多大程度上驱动了不确定性。该工具还可以精确计算出需要多高的精度才能最终解开这个谜题。例如，在血液的案例中，研究计算出，要能够自信地确定特定关联的方向，RNA 产量的测量精度需要达到约 2.6%，而目前的方法并不总是能达到这一水平。
这些发现是一个严峻的提醒：在科学领域，拥有大量数据并不总是意味着你拥有了答案。如果参考指南缺失了一个章节，再强大的计算能力也无法为你写出那个章节。研究结论指出，该领域必须摒弃将这些估算视为简单、固定数值的做法。相反，研究人员必须将其视为高度依赖于分析过程中所做选择的条件性结果。通过对工具的历史和参考资料的局限性保持透明，科学家可以避免从不完整的信息中得出错误的确定性。未来的路径不是构建更大、更复杂的模型，而是识别知识的边界，并设计出专门针对缺失环节的实验。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。