Meta-analysis of Human Serum DIA proteome: Combining Datasets for AI Analysis

蛋白质大混淆：为什么有些科学数据无法融合

想象一下，你正试图通过观察人体“零件清单”来了解人体是如何运作的。在生物学领域，这份清单被称为蛋白质组（proteome），它由成千上万个被称为蛋白质的微型机器组成。科学家可以取一滴血液（血清），并使用一种名为质谱仪的超强显微镜来计数这些蛋白质。这就像是在拍摄一张拥挤的体育场照片，并试图数出每一个穿着特定颜色衣服的人。

长期以来，科学家使用一种称为**数据依赖性采集（DDA）**的方法来拍摄这些照片。这有点像一部只捕捉人群中最响亮、最著名人物的照片机，经常会错过那些安静、数量较少的个体。最近，一种新的摄影方法——**数据非依赖性采集（DIA）*变得流行起来。这种新相机可以拍摄人群中的所有人*，无论他们声音有多大，从而为蛋白质组提供了一个更完整、更公平的画面。

现在，假设你拥有来自11个不同体育场的照片，这些照片由11位不同的摄影师使用略有不同的相机在不同的时间拍摄。你想把所有这些照片合并成一张巨大的、清晰度极高的图像，以寻找规律——比如，“人们是否随着年龄增长穿红色的衣服更多了？”或者“是否有一种特定的衬衫颜色是只有女孩才穿的？”这被称为元分析（meta-analysis）。这听起来是个好主意，因为合并数据应该能让你更有力量去发现真相。但如果每个体育场的照明情况如此不同，以至于在某张照片里看起来大家都在穿红色，而在另一张里看起来在穿蓝色，这并不是因为年龄或性别，而仅仅是因为阳光的原因，该怎么办？这种“照明差异”被称为批次效应（batch effect），这也是本文研究的核心问题。

---

实验：尝试融合11个不同的世界

在这项研究中，来自利物浦大学、欧洲生物信息学研究所和系统生物学研究所的一个研究小组决定测试我们是否真的可以将这11个不同的不同人类血清数据集混合在一起。他们想看看是否可以创建一个“超级数据集”，以便让人工智能（AI）进行挖掘，从而发现新的医学发现。

他们从一个名为PRIDE的公共库中提取了11个高质量的数据集。这些数据集包含了1,393个不同人的信息。其中一些人是健康的，一些患有疾病（如COVID-19或风湿性心脏病），并且他们拥有关于年龄、性别和身体质量指数（BMI）的详细信息。研究人员使用了一种名为DIA-NN的现代软件工具对所有原始数据进行了重新分析，以确保大家看到的都是同一份蛋白质清单。

首先，他们分别检查了每份数据。当他们单独观察每份数据集时，发现了一些明显的、真实的模式。例如，他们观察到某些蛋白质（如IGFALS和IGBP3）会随着年龄的增长而发生持续变化，而另一些蛋白质（如血清淀粉样蛋白P组分）在男性和女性之间存在差异。这些是他们希望在大型混合数据中找到的“真实信号”。

伟大的混合尝试：它奏效吗？

接下来，团队尝试将这11个数据集全部砸进一个巨大的堆里。他们尝试了三种不同的方式来准备混合数据：

1. 原生iBAQ： 直接使用来自机器的原始数值。
2. 排序值（Ranked Values）： 将数字转化为简单的排名（如第1名、第2名、第3名、第4名、第5名）以平滑差异。
3. 每十亿分之一（PPB）： 将数字转换为总量的百分比，比如说“这个蛋白质占整个汤剂的50亿分之一”。

然后，他们尝试使用“批次校正”工具（被称为ComBat和Limma的数学技巧）来消除由不同研究引起的差异，希望能留下纯粹的生物学真相。

结果？一团糟。

尽管做出了最大努力，研究人员发现他们无法有效地消除“批次效应”。不同研究之间的差异如此之强，以至于数学技巧无法将“研究噪声”与“生物信号”分离。

当他们合并数据时，AI和统计模型开始产生假警报。他们发现了一些似乎与年龄或性别相关的蛋白质，但当他们回溯检查原始的11个独立研究时，发现这些联系并不存在。这就像混合过程创造了一个“鬼故事”：蛋白质似乎在谈论年龄，但实际上它们只是在谈论它们来自哪个实验室。

例如，如果一项研究恰好大多是老年人，而另一项研究大多是年轻人，那么合并后的数据会误导计算机，让它认为每一个蛋白质都在随年龄变化，即使事实并非如此。这种“批次效应”（研究身份）的声音太大了，淹没了真实的生物学低语。

AI分类器测试：机器人能从混合数据中学习吗？

为了真正测试危险程度，研究人员尝试构建了一个AI机器人，根据蛋白质水平来猜测一个人的性别（男或女）。他们使用了两个最大的数据集，并尝试了两种方法：

1. “清洗后”方法： 他们尝试先用数学方法移除研究间的差异，然后再训练AI。
2. “原始”方法： 他们让AI将研究差异作为一个特征进行学习（例如，教机器人识别数据集的“PXD”编号）。

两种方法都让机器人看起来很聪明。它大约有80%的概率能正确猜出性别。然而，当研究人员查看机器人究竟是利用什么来做出判断时，他们发现了一个问题。机器人捕捉到了假阳性特征——这些蛋白质看起来很重要，仅仅是因为批次效应，而不是因为它们真的与男性或女性有关。

如果医生使用这个机器人来寻找某种疾病的新生物标志物，他们可能会陷入追逐幻影的境地，跟随一个仅仅是由混合不兼容数据产生的统计错觉所制造出来的线索。

核心结论

本文的主要发现是一个警示故事。虽然合并数据集听起来是增强AI和发现能力的绝佳方式，但目前对于人类血清DIA数据来说，这样做风险过高。

作者建议：

• 先不要把它们全部混合在一起： “批次效应”（研究间的差异）太强，目前的数学工具无法修复。
• 假阳性是现实的危险： 强行将这些数据集凑在一起会产生看似真实但实际并不存在的关联。
• 单独对待它们： 最安全且最准确的方法是分别分析每个数据集，并寻找在这些数据集中重复出现的模式，而不是将它们融合成一大锅“汤”。

简而言之，虽然我们拥有大量的资料库，但现在尝试混合这11个特定的这类人类血清数据集，就像试图将油和水混合在一起并期待得到一杯顺滑的奶昔一样。结果是一个混乱的混合物，真实的信号在噪声中丢失了，而AI开始看到并不存在的事物。研究人员总结道，在拥有更好的数据清理方法之前，我们应对这类大规模元分析保持极度谨慎。