2025年大學(xué)《生物統(tǒng)計(jì)學(xué)》專業(yè)題庫——生物統(tǒng)計(jì)學(xué)在代謝組學(xué)研究中的應(yīng)用考試時(shí)間：______分鐘總分：______分姓名：______一、簡述代謝組學(xué)數(shù)據(jù)具有哪些區(qū)別于傳統(tǒng)生物統(tǒng)計(jì)學(xué)研究的數(shù)據(jù)特點(diǎn)，并說明這些特點(diǎn)對(duì)統(tǒng)計(jì)方法選擇提出了哪些挑戰(zhàn)。二、在代謝組學(xué)研究中，為什么進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化（如中心化、歸一化）至關(guān)重要？請(qǐng)列舉至少三種常用的數(shù)據(jù)標(biāo)準(zhǔn)化方法，并簡述其原理和適用場(chǎng)景。三、某研究比較了三種不同處理（A、B、C）對(duì)某個(gè)生物模型代謝組的影響，每個(gè)處理重復(fù)測(cè)定了3次，共收集了9個(gè)樣本。假設(shè)初步的方差分析（ANOVA）結(jié)果顯示處理效應(yīng)顯著。請(qǐng)簡述在多重比較校正問題中，為什么需要校正p值？并比較Bonferroni校正和FDR（如Benjamini-Hochberg方法）兩種校正方法的原理和主要區(qū)別。四、主成分分析（PCA）在代謝組學(xué)數(shù)據(jù)分析中通常用于什么目的？解釋PCA的第一個(gè)主成分（PC1）的載荷向量（loadings）或得分向量（scores）圖中，一個(gè)特定的樣本點(diǎn)遠(yuǎn)離中心或與其他樣本點(diǎn)聚集不同的生物學(xué)含義可能是什么？五、偏最小二乘回歸（PLS）分析在代謝組學(xué)研究中通常用于解決什么類型的問題？請(qǐng)解釋PLS模型中“成分”（components）的含義，以及如何利用PLS模型進(jìn)行潛在生物標(biāo)記物的發(fā)現(xiàn)。六、比較和對(duì)比t檢驗(yàn)與單因素方差分析（ANOVA）在代謝組學(xué)數(shù)據(jù)分析中的主要區(qū)別和適用條件。七、在進(jìn)行代謝組學(xué)數(shù)據(jù)聚類分析時(shí)，常用的距離度量方法有哪些？聚類分析的結(jié)果（如熱圖、樹狀圖）通?？梢越沂灸男┥飳W(xué)信息？八、假設(shè)你獲得了一組來自不同處理組的代謝物濃度數(shù)據(jù)。請(qǐng)?jiān)O(shè)計(jì)一個(gè)包含數(shù)據(jù)預(yù)處理、統(tǒng)計(jì)分析（至少兩種不同的統(tǒng)計(jì)方法）和結(jié)果解釋的簡要分析方案，用于探究不同處理組之間的代謝差異。在設(shè)計(jì)中需要說明選擇這些方法的理由。試卷答案一、代謝組學(xué)數(shù)據(jù)特點(diǎn)：高維度（大量代謝物、少量樣本）、數(shù)據(jù)量巨大、數(shù)據(jù)類型復(fù)雜（濃度、相對(duì)豐度等）、數(shù)據(jù)呈非正態(tài)分布、存在大量缺失值、受多種因素干擾。挑戰(zhàn)：需要降維方法處理高維度數(shù)據(jù)；非正態(tài)分布和缺失值處理困難；多重比較校正復(fù)雜；需要專業(yè)軟件和算法。二、標(biāo)準(zhǔn)化重要性：消除不同代謝物間量綱和濃度水平的差異；使數(shù)據(jù)滿足某些統(tǒng)計(jì)方法（如PCA）的假設(shè)（如中心性）；提高數(shù)據(jù)分析的靈敏度和準(zhǔn)確性。常用方法及原理：1.中心化：減去均值。原理：使數(shù)據(jù)均值為0。適用：PCA等需要數(shù)據(jù)中心化的方法。2.歸一化：各樣本總濃度/面積除以總濃度/面積。原理：消除樣本間絕對(duì)濃度差異。適用：消除批次效應(yīng)。3.標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化（Z-score）：(值-均值)/標(biāo)準(zhǔn)差。原理：使數(shù)據(jù)均值為0，標(biāo)準(zhǔn)差為1。適用：需要數(shù)據(jù)具有相同尺度和中心的方法。4.對(duì)數(shù)轉(zhuǎn)換（logtransformation）：常用log2或log10。原理：壓縮數(shù)據(jù)范圍，使偏態(tài)分布更接近正態(tài)，增強(qiáng)稀疏性。適用：大多數(shù)代謝組學(xué)數(shù)據(jù)預(yù)處理。三、需要校正p值原因：多重比較問題。當(dāng)進(jìn)行大量假設(shè)檢驗(yàn)時(shí)，即使原假設(shè)全部為真，按α水平犯第一類錯(cuò)誤（假陽性）的概率也會(huì)增加。校正目的：控制家族錯(cuò)誤率（FWER）或假發(fā)現(xiàn)率（FDR）。Bonferroni校正原理：將整體顯著性水平α除以檢驗(yàn)次數(shù)m，即p值需小于α/m才認(rèn)為顯著。原理簡單，保守性強(qiáng)。FDR（Benjamini-Hochberg）原理：控制發(fā)現(xiàn)中假陽性的期望比例。按p值從小到大排序，對(duì)每個(gè)p值pi計(jì)算臨界值mi=(i/m)*q（q為FDR閾值），若pi<mi則拒絕原假設(shè)。相對(duì)寬松，效率更高。四、PCA目的：降維、數(shù)據(jù)壓縮、探索數(shù)據(jù)主要變異模式、可視化樣本間差異和相似性、識(shí)別異常值。PC1含義解讀：1.載荷向量：PC1主要反映哪些代謝物變量的變化。載荷絕對(duì)值大表示該代謝物對(duì)PC1貢獻(xiàn)大。2.得分向量：樣本在PC1上的投影值，絕對(duì)值大表示該樣本在該主要變異方向上表現(xiàn)突出。樣本點(diǎn)遠(yuǎn)離中心：該樣本在數(shù)據(jù)的主要變異方向（PC1/PC2）上具有獨(dú)特的代謝特征。樣本點(diǎn)聚集不同：可能代表該樣本屬于不同的分組或具有不同的生物學(xué)狀態(tài)。五、PLS用途：分析自變量（代謝物）和因變量（如樣本類別、濃度）之間是否存在線性關(guān)系，尤其適用于因變量是連續(xù)變量的情況，常用于預(yù)測(cè)和建模。成分含義：PLS成分是數(shù)據(jù)空間中新的正交維度，是自變量和因變量協(xié)方差最大的線性組合。每個(gè)成分解釋了自變量和因變量之間的一部分變異。生物標(biāo)記物發(fā)現(xiàn)：通過觀察PLS模型中哪些代謝物的載荷（loadings）絕對(duì)值較大，且與樣本類別（因變量）的相關(guān)性較強(qiáng)（得分圖或得分-載荷圖），可以識(shí)別潛在的生物標(biāo)記物。六、t檢驗(yàn)與ANOVA區(qū)別：1.t檢驗(yàn)：用于比較兩個(gè)組別之間的均值差異。假設(shè)檢驗(yàn)過程相對(duì)簡單。2.ANOVA：用于比較兩個(gè)或兩個(gè)以上組別之間的均值差異。涉及更復(fù)雜的統(tǒng)計(jì)模型和假設(shè)檢驗(yàn)（F檢驗(yàn)），用于檢驗(yàn)至少存在一個(gè)組別均值與其他組別不同。適用條件：1.t檢驗(yàn)：兩組獨(dú)立樣本（獨(dú)立樣本t檢驗(yàn)）或配對(duì)樣本（配對(duì)樣本t檢驗(yàn)）。數(shù)據(jù)通常要求服從正態(tài)分布和方差齊性（或滿足特定條件）。2.ANOVA：多組獨(dú)立樣本。數(shù)據(jù)要求滿足正態(tài)性、方差齊性和樣本獨(dú)立性。若不滿足可進(jìn)行數(shù)據(jù)轉(zhuǎn)換或使用非參數(shù)方法。七、常用距離度量：歐氏距離（最常用，計(jì)算樣本間直線距離）、曼哈頓距離（計(jì)算樣本間城市街區(qū)距離）、馬氏距離（考慮變量間相關(guān)性，使用協(xié)方差矩陣）、漢明距離（適用于二進(jìn)制數(shù)據(jù)）。聚類分析結(jié)果信息：1.熱圖：通過顏色深淺表示樣本間或樣本-變量間距離/相關(guān)性，直觀展示模式。2.樹狀圖（Dendrogram）：展示樣本或變量通過聚類過程逐步合并的層次結(jié)構(gòu)，可用于確定聚類數(shù)目，揭示樣本間的親疏關(guān)系和潛在分組。八、分析方案：1.數(shù)據(jù)預(yù)處理：*缺失值處理：根據(jù)缺失比例選擇填補(bǔ)方法（如均值/中位數(shù)填補(bǔ)、KNN填補(bǔ)）或刪除嚴(yán)重缺失樣本/代謝物。*數(shù)據(jù)標(biāo)準(zhǔn)化：進(jìn)行中心化和歸一化（如中心化后行歸一化）。2.統(tǒng)計(jì)分析：*單變量統(tǒng)計(jì)：對(duì)每個(gè)代謝物進(jìn)行組間差異檢驗(yàn)（如ANOVA或t檢驗(yàn)，注意多重比較校正）。*多變量統(tǒng)計(jì)：進(jìn)行PCA分析，探索數(shù)據(jù)整體變異主成分和樣本聚類。3.結(jié)果解釋：*結(jié)合單變量檢驗(yàn)結(jié)果（校正后p值<0.05的代謝物）和PCA結(jié)果（樣本在PC1/PC2