由生物学重复引发出来的思考……

写在前面的废话

这段时间闹肺炎，什么牛鬼蛇神都出来闹腾了。有的人是看热闹不嫌事大，有的人却是恶意造谣，凭空联想。因为一篇biorxiv上的文章，就能脑补出一部阴谋大剧，简直和唐人街探案有得一拼。

对于这些造谣者，他们干的事情不地道，但是其思考方式却是值得我们学习的。那就是联想，他们把所有糟糕的事情串到一起，略加渲染，做成了阴谋论，让人们过目不忘（我的父母就深受其害，使得我每天都要不断地为他们科普）。而我们可以将知识点串在一起，帮助我们加深印象。

太长不看系列

• 技术重复：一个样本重复多次
• 生物学重复：同一批次每个生物重复一次（多次）
• 当生物学重复之间存在相关性，需要考虑有效样本数（effective sample size）
• effective genome size和effective sample size不一样，不要混为一谈

废话超多系列

首先我们区分一下生物学重复和技术重复，有的人可能不屑一顾，和我的反应一样。但是别着急，答应我先区分下面两种情况属于什么重复，答对了再嘲讽我好么？

1. 现在有一只小鼠A，我们对它的肌肉组织取样，连续三次检测其基因表达水平
2. 现在有一只小鼠A，我们连续三次对它的肌肉组织取样，然后分别对该样品进行测序

文字不方便理解的话，可以看下面的图示：

事实上，这两种重复都是属于技术重复，因为它们都是针对的一只小鼠做的实验(一个生物)。但是这两种技术重复的侧重点有些许不同。

• 第一种技术重复，重点是RNA-seq检测方法的准确度。比如当你发现了一个新的检测基因表达量的方法，就需要用这种重复来验证该方法的准确度
• 第二种技术重复，重点是这个小鼠本身的基因表达水平而非检测方法。

那么，什么是生物学重复呢？比如我有一群小鼠，我挑选其中三只，做相同处理，然后分别取样检测基因表达水平：

这是因为，我们的每一次测量都来自于不同的小鼠（生物）。除此之外，我们还可以知道，生物学重复研究的重点从个体转移到了这类群体。

既然有了重复（有了不同的样本），我们接下来需要考虑的就是样本数的问题：

• 如果我们对检测基因表达水平的方法感兴趣，那我们的样本数与技术重复相关：

  • 下面的情况，样本数为3（三个技术重复）：

    
    

• 假如我们对于蓝色小鼠这一族群感兴趣：

  • 下面的情况，样本数为3：

    
    

  • 下面的情况，样本数依然为3，这是因为技术重复不影响我们关注的重点（技术重复关注的是个体或者是方法的准确度）

    
    

• 假如我们对小鼠的某一族群感兴趣，我们对三种颜色的小鼠都检测一下基因表达：

  
  

但是，如果蓝色小鼠有一个双胞胎弟弟，那么此时的样本数是多少呢？是3还是4呢？

事实上，样本数介于3和4之间。这个时候，样本数不再是简单的加和，而是要考虑有效样本数（effective sample size）。计算公式如下：

此时我们需要关注这两只蓝色小鼠的相关性，若相关系数为0.7，则这俩双胞胎所代表的样本数为2/(1+(2-1)*0.7)=2/(1+0.7)=1.18

若相关系数为0.1，则这俩双胞胎所代表的样本数为2/(1+(2-1)*0.1)=2/(1+0.1)=1.82

由此可知，两个双胞胎小鼠的相关性越低，所代表的样本数越大。相关性越大，则所代表的样本数越小。甚至若二者完全相同，我们可以把他们看作是一个（把他们看作是技术重复，不影响样本数）

写在后面的话

需要注意的是，很多人使用过deeptools，里面涉及到一个effectiv genome size的定义。该定义与effective sample size完全不同，千万不要混淆。

effective genome size 相当于是去除了基因组中为N的那些碱基之后的长度。

参考资料

• StatQuest: Technical and Biological Replicates
• StatQuest - Sample Size and Effective Sample Size, Clearly Explained