1.4.5 统计分析

统计分析是生物信息学的基石，贯穿于所有分析流程。本节介绍最常用的统计方法。
假设检验：
- 核心问题：观察到的差异是"真实存在"还是"随机波动"？
- p值：在零假设（无差异）成立的条件下，观察到当前或更极端结果的概率。p < 0.05通常被视为"统计显著"
- 生物应用：差异表达分析（比较两组样本中基因表达是否有差异）、突变频率比较
- 注意事项：p值不是"差异有多大"，而是"证据有多强"；需要结合效应量（effect size）解释结果
多重检验校正：
- 问题：当同时进行数千次检验（如检测2万个基因的差异表达）时，即使零假设成立，也有约5%的检验会"偶然"显著（假阳性）
- Bonferroni校正：将阈值除以检验次数，非常严格但损失统计功效
- FDR（False Discovery Rate）校正：控制假阳性比例，如Benjamini-Hochberg方法
- 生物应用：全基因组关联研究（GWAS）、RNA-Seq差异表达分析
- 重要性：不进行多重检验校正，差异表达分析几乎总会"发现"大量假阳性基因
方差分析（ANOVA）：
- 原理：比较三组或更多组之间的均值差异，分解变异来源
- 生物应用：多组实验比较（如三种药物处理下的基因表达差异）、批次效应评估
- 类型：单因素ANOVA（一个分组变量）、双因素ANOVA（两个分组变量，如处理+时间）
非参数检验：
- 何时使用：数据不满足正态分布、样本量小、存在异常值
- 常用方法：Mann-Whitney U检验（两组比较）、Kruskal-Wallis检验（多组比较）、Wilcoxon符号秩检验（配对样本）
- 生物应用：基因表达数据（通常不服从正态分布）、微生物组数据（计数数据，偏态分布）
- 优点：不假设数据分布、稳健
- 局限：统计功效通常低于参数检验
生存分析（Survival Analysis）：
- 核心：分析"事件发生时间"（如死亡、复发、转移）
- Kaplan-Meier曲线：直观展示不同组别的生存概率
- Cox比例风险模型：评估协变量对风险率的影响
- 生物应用：临床预后分析（根据基因表达预测患者生存时间）、药物临床试验
统计学习在生物信息学中的趋势：
- 从"统计显著"到"生物学意义"：不仅看p值，还关注效应量、临床意义
- 贝叶斯方法：结合先验知识（如通路信息、蛋白质相互作用）进行推断，在生物信息学中越来越重要
- 可重复性危机：生物信息学领域正加强统计方法的规范使用，提高结果可重复性