企业官网建设流程全解析

做过几年肿瘤生信的人，应该都对 TCGA 不陌生。数据量大、组学层次全、临床信息完整，是挖掘肿瘤分子机制的好材料，但坑也在这里：数据量一上来，光是做单组学分析就已经够呛，更别说把 mRNA、miRNA、甲基化、拷贝数、蛋白甚至磷酸化水平放在一起对比。每次我想找一个基因的上游调控 miRNA、下游靶通路，又或者是拷贝数变异对表达量的影响，都要在好几个数据库之间来回倒腾，R 脚本写了一大堆，输出文件散落一地，最后整合起来非常痛苦。

后来我开始用 LinkedOmics 做多组学整合分析，整个流程才顺了不少。它是一个专门围绕 TCGA 多组学数据搭的在线分析平台，核心价值在于把关联分析、功能富集、生存分析、比较分析这些常用模块统一到一个界面里，不用下载原始数据、不用写复杂的管道，鼠标点几下就能完成跨组学的关联挖掘。这篇文章我就以它在 32 种癌症分子图谱解码中的实际用法为例，把怎么选队列、怎么设定参数、怎么解读结果、怎么避坑，从头到尾讲一遍。

1. 为什么多组学整合分析不能只盯着一层数据

1.1 单组学视角的“盲人摸象”困境

肿瘤发生发展从来不是单一层面的事件。基因突变可以改变拷贝数，拷贝数和启动子甲基化会影响转录水平，转录水平又受 miRNA 和转录因子调控，最终 mRNA 还要经过翻译、翻译后修饰才能变成执行功能的蛋白。任何一个层面的变化，都可能在另一个层面放大或抵消。

我见过不少研究，只拿 mRNA 表达差异来论证“某个基因很重要”，但看完数据之后发现，该基因在蛋白层面根本没有显著变化，甚至 mRNA 和蛋白表达方向相反。这种冲突让结论很尴尬。如果一开始就引入多组学整合分析，至少能提前发现转录后调控的存在，避免把间接现象当成直接结论。

多组学整合分析的本质，不是把所有组学数据堆在一起跑一个黑箱模型，而是建立一个“中心法则”视角下的证据链：DNA 层面的拷贝数变异、表观层面的甲基化、转录层面的表达量、转录后层面的 miRNA 调控、蛋白层面的表达与修饰，一环扣一环地互相验证。LinkedOmics 这类平台好的地方在于，它把这种证据链所需的关联计算整合好了，让你能快速看清同一个基因在不同组学层面的“盟友”和“对手”。

1.2 TCGA 泛癌队列为什么适合做这种事

TCGA 的数据库是目前公开肿瘤组学数据里覆盖最广的资源之一，它把同一个病人的肿瘤组织样本同时做了外显子测序、RNA 测序、miRNA 测序、DNA 甲基化芯片、RPPA 蛋白芯片等一系列检测，而且绝大部分都有随访生存数据。这意味着你可以把同一个病人队列的不同组学矩阵拿来做关联分析，从数学上回答“谁跟谁同步变化”。

LinkedOmics 内置的 TCGA 队列覆盖了 32 种主要癌型，从常见的乳腺癌、肺癌、结直肠癌，到相对少见的葡萄膜黑色素瘤、嗜铬细胞瘤都有。做泛癌分析的时候，不需要自己在各个 GDC 目录里找下载链接，直接在平台里切换队列，就能对比同一个基因在不同癌种里的关联模式。对于想找“泛癌通用机制”或者“癌型特异机制”的人来说，这是非常方便的入口。

2. LinkedOmics 核心模块解析：LinkFinder、LinkInterpreter、LinkCompare

2.1 LinkFinder：一元输入、多元输出的关联搜索器

LinkFinder 是整个平台的核心入口。它的功能是：你输入一个“感兴趣的分子”，它在选定癌型的某个组学层里扫描其他所有分子，计算它们与你的目标分子之间的相关性，然后返回一个按相关强度排序的列表。

这里有个设计细节很关键：它允许你同时选定多个数据类型去扫。比如你想研究某个转录因子，可以同时勾选 mRNA（看它跟哪些基因一起表达）、miRNA（看哪些 miRNA 可能靶向它）、甲基化（看哪些甲基化位点跟它的表达反向相关）、CNV（看拷贝数变异对表达的影响）、蛋白（看转录后调控的存在与否）。选完之后一次提交，结果按数据层分组返回，你不用自己写 SQL 去联合多张表。

相关性的计算方式，平台提供几种选择，但我绝大多数时候用 Spearman 秩相关。原因是表达数据多数不服从正态分布，离群值也多，Pearson 相关对线性关系和异常值太敏感，Spearman 基于秩次，稳健得多。筛选阈值方面，平台默认用 FDR（q-value）控制多重检验导致的假阳性，一般我会先按 FDR < 0.05 粗筛，再看相关系数的绝对值是否达到生物学上有意义的水平。

2.2 LinkInterpreter：关联列表的“翻译官”

拿到关联列表只是第一步。几千个显著相关基因摆在那里，如果不做功能解读，等于拿到一堆电话号码但不知道谁是谁。LinkInterpreter 就是干这个的：它把 LinkFinder 产生的关联列表作为输入，做 GSEA 类的富集分析。它支持 GO 的三个子本体（生物过程 BP、细胞组分 CC、分子功能 MF）、KEGG 通路、Reactome 通路，还比较有特色地支持转录因子靶标、miRNA 靶标、药物靶标、以及 lncRNA 相关调控网络。

对这个模块，我得提醒一句：这里做的是“基于预排序基因列表的富集”，不是简单的超几何检验命中多少基因。它会把全部基因按关联分数排序，然后看某一类基因（比如某个通路的成员基因）是否显著集中在排序列表的顶部或底部，以此判断这个通路与你的目标分子是正相关还是负相关。这比只数重叠基因要敏感，因为能捕捉到“整体表达趋势偏移”的信号。

2.3 LinkCompare：跨癌型、跨组学的差异对比

LinkCompare 解决的是“同一个分子在不同条件下关联模式是否一致”的问题。你可以把两个不同队列的关联结果放一起比较，也可以把同一个队列中不同组学层的结果放一起比较，平台会识别出哪些关联是共有的、哪些是特异的。

我常用它做两类比较：一是“泛癌 vs 单癌”，比如先看某个基因在泛癌队列里的关联列表，再看它在某个癌型里的关联列表，找出共有的核心模块和该癌型特有的模块；二是“mRNA vs 蛋白”，如果某个基因在转录层和蛋白层都跟同一批通路基因显著相关，那这个结论多半比较硬，不太可能是单层噪声。

3. 实操流程：以某癌型队列为起点，完整跑一次多组学关联挖掘

3.1 第一步：明确分析目标，选定癌型队列

任何分析开始前，先问自己一个问题：我要回答的生物学问题是什么？如果只是想平平无奇地找一个基因的共表达网络，那直接在单癌种队列里跑 LinkFinder 就够了。但如果你想回答“该基因究竟是被哪个 miRNA 沉默的”“它的高表达是否源于拷贝数扩增”，那就必须在同一个病人队列里同时选 mRNA 和 miRNA，或者同时选 CNV，才有可比性。

举个例子，假设我要研究乳腺癌中一个转录因子 X 的调控机制。我的分析目标是：找出 X 的潜在上游 miRNA 调控因子，以及 X 的下游靶基因通路。于是我进入 LinkedOmics，癌症类型选 BRCA，数据类型勾选 miRNA Seq 和 RNA Seq 两个数据层。这里有个容易犯的错误：不同数据层来自不同检测平台，样本数未必完全一致。好在平台内部会基于共同样本计算相关性，但你在看样本量时要留意，别看到一个 miRNA 关联分析的样本数是 500，就以为 mRNA 层也是同样规模。

3.2 第二步：参数选择的门道与阈值设定

提交分析之前，有几个参数值得认真对待：

• 基因标识：输入分子时尽量使用官方基因 Symbol，比如 BRCA1、TP53，不要用别名或曾用名。如果不确定，先去 HGNC 查一下标准写法。平台对基因名的解析主要基于 NCBI 的 gene_info，别名可能导致查询不到或匹配错误。
• 关联方法：我建议非特殊理由都选 Spearman，理由前面说过。如果你的数据预处理得很好、分布接近正态，也可以选 Pearson 做交叉验证，但不要只报 Pearson 的结果。
• 排序方向：平台一般允许按正相关或负相关分别展示结果。我习惯跑一个全量结果，再在解读时分别抽正相关 top 和负相关 top。
• FDR 阈值：多重检验校正后的 FDR 比原始 p 值可靠得多。第一次跑可以把 FDR 放宽到 0.05 看看结果规模，如果显著关联太少，再检查是不是输入基因在队列里表达量过低或变异太小，而不是盲目把阈值放宽到 0.1 甚至 0.2。

选好参数后，提交任务。LinkedOmics 的任务执行时间跟队列样本量和数据类型有关，通常几分钟到十几分钟，等它跑的间隙可以做下一步要用的背景知识准备。

3.3 第三步：解读 LinkFinder 结果并筛选候选分子

任务完成后，平台会返回一个结果页面，按你选择的数据类型分 tab 展示。每个 tab 里是一张关联列表，包含目标基因（或位点）、关联分子、统计量（相关系数和 p 值/FDR），以及一个点击即可看散点图的按钮。

我整理结果的固定动作是：先下载全量 CSV，再用 R 做二次筛选和可视化。CSV 是分析落地的基础，因为网页端展示的只有 top 列表，而后续富集分析需要完整排序列表。

拿“找靶向转录因子 X 的 miRNA”这个场景来说，我会在 miRNA 结果里筛选 FDR < 0.05 且相关系数小于 -0.3 的 miRNA。为什么关注负相关？因为多数 miRNA 对靶基因是负调控：miRNA 上升，靶基因 mRNA 下降。如果看到某个 miRNA 与 X 强负相关，再结合 LinkInterpreter 的 miRNA 靶标富集确认 X 是否在候选 miRNA 的预测靶基因集合里，这个证据链条就比较完整了。

下面的 R 脚本是我常用的结果初筛模板：

# 读取 LinkedOmics LinkFinder 导出结果 res <- read.csv("linkfinder_mirna_result.csv", stringsAsFactors = FALSE) # 筛选显著负相关 neg_hits <- res[res$FDR < 0.05 & res$Correlation < -0.3, ] neg_hits <- neg_hits[order(neg_hits$Correlation), ] # 输出 top 候选 write.csv(neg_hits, "top_neg_mirnas.csv", row.names = FALSE) # 简单看分布 hist(res$Correlation, breaks = 50, main = "Distribution of correlation coefficients", xlab = "Spearman rho")

跑完这段代码你就有一个干净候选表了。注意，关联分析只能给线索，不能当证明。所有候选 miRNA 后续最好在独立队列或实验里验证，这是后话。

3.4 第四步：用 LinkInterpreter 把候选列表升级成机制模型

得到显著性相关的分子列表之后，下一步是把这些分子背后的共同调控信号找出来。我通常把正相关基因列表和负相关基因列表分开提交到 LinkInterpreter，因为正相关代表“协同表达”的伙伴，负相关代表“反向调控”的对手，两者背后的生物学含义完全不同。

在 LinkInterpreter 的界面里选择你要富集的知识库。如果研究目标是下游通路，我一般选 GO Biological Process 和 KEGG/Reactome；如果研究目标是上游调控，那就要选 TF target 和 miRNA target，分别看转录因子结合位点富集和 miRNA 预测靶基因富集。

结果列表里每个条目会有富集分数、归一化富集分数（NES）和 FDR。NES 的正负代表这组基因在关联排序中的位置：NES 为正，说明该通路基因偏向与目标分子正相关；NES 为负，说明偏向负相关。举个常见场景：如果一个转录因子 X 下调了某个抑癌通路，你会看到该通路基因在 X 的正相关基因列表里富集分数很弱，但在负相关列表里 NES 显著为负。

4. 泛癌视角：32 种癌症的分子图谱如何拆解

4.1 泛癌通用模块 vs 癌型特异模块

LinkedOmics 支持 32 种癌症队列，这让我特别喜欢拿它做泛癌筛选。泛癌分析的逻辑是：如果一个机制在多种不相关癌型中都成立，说明它是比较基本的肿瘤共性机制；如果只在某一个癌型里成立，那更像是该组织微环境或致癌背景带来的特异事件。

具体操作上，我会先在所有 32 个队列里依次跑同一个目标基因的 LinkFinder（每个队列数据量不大，跑起来不至于等太久），然后以队列为行、关联分子为列，构建一个“关联矩阵”。矩阵里每个格子是目标基因与该分子在该癌型中的相关系数和 FDR。接下来用简单规则筛选：如果某个关联分子在超过 60% 的癌型里都达到 FDR < 0.05，且方向一致，就标记为“泛癌共识伙伴”；反之，如果只在 1-3 个癌型里显著，则标记为“癌型特异伙伴”。

这种“候选模块-泛癌验证”的二段式策略，能有效避免单癌型分析的偶然性。我几年前帮朋友验证一个新发现的 lncRNA，最初只在肝癌队列里看到它与某个抑癌蛋白显著共表达，后来跑到 32 个癌型里一对比，发现绝大多数腺癌里都有这个共表达关系，顺着这个线索才定位到共同的转录因子调控机制。如果只盯着肝癌，这个结论可能就被当成肝特异事件忽略了。

4.2 不同组学层级之间的“方向性推理”

泛癌层面最有意思的玩法，是跨组学做方向性推理。举个例子：某个基因在泛癌队列里拷贝数频繁扩增（CNV 层），同时它的 mRNA 表达量上调（转录层），那么“拷贝数驱动表达上调”这个假说就很有力。如果此时在蛋白层却发现蛋白表达与 mRNA 表达不一致，那就提示存在转录后调控或翻译效率的差异，需要再去看 miRNA 或 RPPA 磷酸化数据。

在 LinkedOmics 里做这种推理不需要自己算。你把同一个基因在 CNV、mRNA、protein 三个数据层里面分别跑 LinkFinder，对比三份结果中目标基因的自相关性（即该基因的 CNV 与自身 mRNA 的相关性、mRNA 与自身蛋白的相关性），就能直观看到“CNV-mRNA-protein”这条主轴是逐步强化还是逐级衰减。

如果看到 CNV 与 mRNA 相关性很高，但 mRNA 与蛋白相关性很弱，一个合理的解释是 miRNA 介导的翻译抑制或蛋白降解增强。下一步就回到 miRNA 数据层跑关联，找与 mRNA 负相关的 miRNA，再验证它的靶标关系。这就是一个标准的多组学证据链闭环，完全不需要自己拼接多个数据库的数据。这种分析对机制研究特别有价值，因为很多目标基因的调控是分层的，只研究转录层很容易错失真正的调控位点。

5. 常见问题与排查技巧实录

5.1 基因名查不到或结果突变

有段时间我在一个癌型里查一个较新的 lncRNA，平台一直提示无结果。我检查后发现，问题出在基因 Symbol 还没有更新到 NCBI 的最新版本，或者因为该基因在 TCGA 的注释版本里还不存在。解决办法有两个：一是去 Ensembl 或 UCSC 确认该基因在 TCGA 使用的 GRCh37 注释里有没有对应的稳定 ID；二是换一个在旧注释里存在、且与该基因高度相关的邻近基因来替代，但替代分析的解释要谨慎，不能把两个基因混为一谈。

另外一个常见“无结果”原因是目标分子在队列里表达量低，甚至大部分样本是零表达。表达量太低时变异也小，相关分析自然找不到信号。这种情况要优先处理表达量过滤，而不是怪平台数据有问题。

5.2 富集结果“全红全蓝”，无法解释

刚用 LinkInterpreter 时，我看到一张富集结果表，几乎每个通路都显著，根本无法区分主要机制。后来才明白，这是因为提交的关联列表没有做过滤，把 FDR 很宽松条件下得到的几千个基因全丢进去了，结果导致背景噪声太强。

正确姿势是：提交给 LinkInterpreter 之前，先对 LinkFinder 的关联列表做一次适当的截断。通常我会保留 FDR < 0.05 且 |r| > 0.1（或更严格）的基因，保持排序顺序，然后再提交。这里要注意：做 GSEA 类富集时不要把所有不显著基因删掉，而是“按显著程度截断、保留排序”，否则会失去背景分布信息，富集结果反而失真。

5.3 关联方向解释错误

负相关性不一定是“抑制”或“对抗”，正相关性也不一定是“协同作用”。尤其是在多组学整合里，混杂因素很多。比如两个基因都受同一个上游调控因子驱动，即使它们之间没有直接作用，也会表现为显著共表达。所以看到强正相关时，第一反应不应该是“它们俩互作”，而应该是“它们可能有共同的上游调控”。

同样，miRNA 与 mRNA 的负相关也未必是直接靶向关系，可能是某个中间通路共同变化的结果。所以每一条关联结论，我都建议至少用 LinkCompare 做一次跨癌型验证：如果这种负相关在多种癌型里稳定出现，那它作为调控线索的价值会高很多。如果只在单个癌型里出现，后续至少要用预测数据库和实验双重复核。

5.4 常见问题速查

6. 实操心得与建议

站在我个人的使用体验上，LinkedOmics 最大的价值不是某个单独的分析模块，而是它把多组学关联、富集、生存、比较这些环节串在一个工作流里，缩短了“数据到假说”的路径。过去我做一个基因的跨组学机制分析，至少要花一两天时间在各数据库之间搬运数据；现在大部分工作能在半天内完成第一轮筛选，剩下的时间可以重点放在生物学意义解读和实验验证上。

如果你刚开始接触这个平台，我建议不要一上来就追求“全功能覆盖”，而是先找一个自己特别熟悉的基因，在一个癌型队列里完整走一遍“LinkFinder 出候选，LinkInterpreter 做富集，LinkCompare 做对比”的流程。把这个流程跑通之后，再扩展到泛癌模式。

一个小技巧是：所有 LinkFinder 的结果都尽量下载 CSV 存档，这个细节特别容易被忽略。网页端查看时觉得挺清楚，过几天想重新分析时发现链接过期，或者任务记录被平台清理，就只能重跑。下载到本地之后，后续的二次筛选、跨数据库对照、文章补充材料整理都方便得多。

最后再提一句数据分析的边界：LinkedOmics 给出的都是关联证据，不是因果证据。它能帮你高效地缩小候选范围，告诉你“这条链路值得验证”，但它不能替代实验验证。如果文章里要用这类结果做支撑，记得在方法部分写清楚分析平台、版本、队列名称、相关方法和 FDR 阈值。把每一步记录清楚，这既是对读者负责，也是对自己的结论负责。