4.3 实验流程与设计

上一节比较了两大微阵列平台的结构差异；本节转向如何把这些平台变成可信的数据。微阵列实验是一条"湿实验—仪器—统计"的接力链：组织采集、RNA 提取与质检、扩增与标记、杂交与扫描、图像分析与定量，最终产出一张"基因 × 样本"的强度矩阵。链条上任何一环的系统偏差都会沉淀进数据；其中最昂贵、也最无法事后补救的失误，往往不在操作而在设计。本节按流程顺序讨论各环节的技术要点与质控标准（4.3.1–4.3.3），随后以更大篇幅讨论实验设计原理与常见错误（4.3.4–4.3.5），并以端到端流程图收束（4.3.6）；归一化与差异表达的统计方法留待下一节（Gibson & Muse, 2009）。

4.3.1 样本与 RNA 质量

流程的第一环在试管之外。RNA 酶（RNase）广泛存在于皮肤、唾液与实验环境中，热稳定且几乎不失活，而 mRNA 的半衰期本身只有数分钟到数小时，因此取材与提取的首要纪律是速度与低温：组织离体后立即液氮速冻或投入 RNA 稳定试剂，器械与溶液以焦碳酸二乙酯（DEPC）处理并高压灭菌，操作全程佩戴手套、在冰上完成。提取多采用胍盐–酚法（如 TRIzol 一类试剂）或硅胶柱法：前者得率高，适合大块组织；后者流程快，便于批量处理。与教学实验不同，临床或现场样本还必须记录缺血时间、保存时长与冻融次数——这些元数据既是 4.3.3 节 MIAME 规范的要求，也是事后排查批次异常的线索。

提取产物须通过三重质检。其一，分光光度法：纯 RNA 的 A260/A280 应接近 2.0，明显偏低提示蛋白污染，A260/A230 异常提示有机溶剂或盐残留。其二，毛细管电泳：完整哺乳动物总 RNA 的 28S 与 18S rRNA 荧光比约为 2:1，降解时比值下降、条带弥散。其三，把电泳图谱交给算法统一打分——RNA 完整性数值(RNA integrity number, RIN)是一个 1–10 的尺度，10 表示完全完整，1 表示严重降解；表达谱实验常用的入围门槛是 RIN 不低于 7，更严格的应用常要求 8 以上（Imbeaud et al., 2005）。设门槛的根据在于降解并非随机：核酸酶自末端啃噬，使信号系统性偏向探针覆盖的 3′ 区域；若两组样本降解程度不同，"降解梯度"会伪装成"表达差异"，且无法靠归一化修复。

质检合格只说明 RNA 完好，不说明它代表了想研究的细胞。一块组织的匀浆是多种细胞的加权平均：目标细胞占比从 60% 滑落到 30%，真实的二倍差异会衰弱为约 1.5 倍，而浸润细胞比例的变化还能制造纯粹的假象。处理异质性有两极：组织解离把样本分散为单细胞悬液以便流式或磁珠分选，通量高，但解离过程本身会诱发应激基因表达；激光捕获显微切割(laser capture microdissection, LCM)在显微镜下以激光直接圈取目标细胞群，纯度最高，但产量常仅纳克级，必须依赖后续扩增，从而把 4.3.2 节讨论的扩增偏倚引入数据，且操作耗时、样本长时间暴露于降解风险。实践中的选择是明码的权衡：目标细胞丰富、占比稳定的体系用匀浆；稀有或界限不清的细胞群用分选或 LCM 并接受扩增代价。无论哪条路线，细胞构成本身都应作为协变量记录在案。

4.3.2 标记与杂交

一张芯片的杂交通常需要微克级的标记核酸，而一份 LCM 样本或细针穿刺物可能只有纳克级总 RNA，扩增因此常是必经步骤。主流方案是体外转录(in vitro transcription, IVT)线性扩增：以带 T7 启动子的寡聚(dT)引物反转录 mRNA，合成双链 cDNA 后用 T7 RNA 聚合酶转录出大量反义 RNA（aRNA）（Van Gelder et al., 1990）。线性扩增的保真性来自其动力学：每个模板分子以近似恒定的速率产生产物，分子间的相对比例基本保持；相比之下，PCR 的指数扩增会把模板间微小的效率差（GC 含量、二级结构、片段长度）按循环数复利放大——起始比例相同的两个转录本，可能在三十个循环后相差数倍。因此除非样本量极端受限，微阵列流程优先线性扩增。

标记化学分直接与间接两路。直接标记在反转录时掺入荧光核苷酸（如 Cy3-或 Cy5-dUTP）：染料分子体积大，聚合酶掺入效率低且随序列上下文波动，两种染料的掺入率也不相等——这正是染料偏倚的化学根源。间接标记(indirect labeling)先用氨基烯丙基-dUTP（带活性氨基的小修饰碱基）参与反转录，纯化后再以 NHS 酯化学把 Cy 染料偶联上去：小碱基掺入均匀，偶联独立于酶学进行，标记重现性显著更好，代价是多一步纯化。Affymetrix 单色平台则用生物素标记 cRNA，杂交后以链霉亲和素—藻红素染色显色。

标记方案至此与平台合流为两条支线。双色平台把两个样本分别标成 Cy3 与 Cy5、等量混合后在同一张片上竞争杂交同一批探针，直接读出比值，因此必须管理染料分配的平衡（见 4.3.4 节）；单色平台一样本一片，比较在芯片之间进行，因此必须管理芯片间归一化（见 4.4 节）。杂交在含封闭剂（鲑精 DNA、Cot-1 DNA，用于封闭重复序列与黏性片段）的缓冲液中进行，45–65 °C 孵育 12–16 小时，让数千个点上的结合—解离同时逼近平衡；随后以逐渐提高严谨性（降低盐浓度、提高温度）的梯度洗涤去除非特异结合，进入扫描。共聚焦激光扫描仪以 532 nm 与 635 nm 分别激发 Cy3 与 Cy5，光电倍增管（PMT）逐通道采集 16 位灰度图像。PMT 增益是一个两难旋钮：调高可救回弱信号，却会把强信号推入饱和——饱和点的真实强度被截断，比值随即失真，因此两通道都应保留饱和裕量。

4.3.3 图像分析与原始数据

扫描的原始产物是两幅（单色平台为一幅）16 位 TIFF 图像，还不是数字。图像分析软件首先按点样布局定位网格（以角标记点或整版布局文件对齐每个光斑的预期位置），随后对每个光斑做分割：区分前景信号区与环绕其外的背景区，常用光斑周边环形邻域的中位数估计局部背景(local background)，再从前景中值中扣减，得到该点的净强度。几何形态异常（拉丝、空心环、尘埃贴邻）、信号接近背景或读数饱和的光斑会被打上质量旗标，在下游分析中按旗过滤或降权——保留坏点比剔除坏点更能毁掉一张热图。背景扣减看似简单，实为噪声放大器：低强度点上小小的背景估计误差会被放大成负值或发散的比值，这正是 4.4 节背景校正方法学的起点。

一张合格的数据表必须连同它的来龙去脉一起交付。GEO（Edgar et al., 2002）与 ArrayExpress 接受原始图像、定量表与元数据的结构化存档，构成微阵列时代"可重复性的基础设施"。这一制度的红利远超合规本身：公共数据使独立的二次分析、平台间比对与跨研究荟萃分析成为可能，也让"原始数据见补充材料"式的模糊交代无处遁形。从本节的角度看，存档是流程的最后一道质控——连自己都说不清来路的数据，不会因为进了数据库就变得可信。

4.3.4 实验设计原理

微阵列研究中最昂贵的失败不是杂交失误，而是设计先天无法回答所提的问题。Churchill（2002）、Kerr 与 Churchill（2001）及 Yang 与 Speed（2002）在双色阵列时代确立的设计原理，至今仍是转录组实验的通用语法，其支柱是重复、随机化与区组、染料平衡和样本量。先说重复。任何一次测量都可分解为层层叠加的波动：

据此定义两类重复：技术重复(technical replicate)固定个体、重复测量，只暴露 σ²_tech；生物学重复(biological replicate)更换独立个体，同时承受两类方差。技术重复把 p 值做小的办法是假装 σ²_bio 不存在——那是自欺而非推断；反之，生物学重复充足时，技术重复的信息可以并入混合效应模型，不必单独占用芯片。预算的优先序因此明确：先加个体，再加测量（图 4.3-1）。

随机化(randomization)针对的是没有写进式 (4.3-1) 的第三类因素：批次、操作者、试剂批号、杂交炉位、扫描顺序与芯片上的打印位置。微阵列的批次效应之大，常超过研究条件本身的效应；若对照组恰好都在周一处理、实验组都在周五，表达谱里"星期几"的印记便无法与处理效应区分。随机化不消除批次效应，而是把它与分组解耦：偏倚仍进入数据，但以随机噪声而非系统差的形式存在，统计上可被吸收。区组(blocking)是随机化的补充：当某个变异源无法随机化时（芯片分两批到货、两台扫描仪轮流使用），就把一个完整的条件组合锁进同一个区组——例如同一批次、同一天同时处理一对"处理/对照"，配对差值便只携带区组内噪声。随机化打散不可控因素，区组收拢已知因素，二者常配合使用。

双色平台还有一类特有偏倚来自染料本身：Cy3 与 Cy5 的掺入效率、量子产额与检测响应互不相同，"被标成哪种颜色"平均带来一个系统的对数偏移 d，且 d 随强度缓慢变化（其强度依赖形态将在 4.4 节的 M-A 图中直观呈现）。对同一对样本做染料交换(dye swap)——第二张芯片对调两种染料——可让偏倚在代数上对消（图 4.3-2）：

样本量的直觉可用双样本检验的粗略功效公式建立：

取 α = 0.05、功效 80%，系数 2(1.96 + 0.84)² ≈ 15.7。以两倍变化（Δ = 1）为目标：若 σ ≈ 0.5（细胞系或近交系动物的典型水平），每组约需 4 个生物学重复；σ ≈ 0.7（原代组织、临床样本的常见水平）则约需 8 个。这组数字支撑了领域的经验量级：每组 3–5 为最低可辩护线，5–8 更稳健——是经验量级而非定理，具体研究应代入自身方差估计，并在全基因组多重检验校正后（4.4 节）预期功效进一步缩水，故取值宜靠近上限。当研究本身含两个因素（如药物处理 × 时间点），宜采用 2×2 因素设计：四格各配重复，一次实验同时估计两个主效应与交互作用，芯片利用效率高于把因素拆开分别实验。

4.3.5 常见设计错误清单

伪重复(pseudoreplication)位列错误清单之首：把同一生物学单位的多次测量当作独立样本参与推断。典型形态如：每只动物取三个脑区分别杂交，再把"处理组 9 张芯片对对照组 9 张芯片"做 t 检验——9 次测量只来自 3 只动物，个体间方差被低估约三倍，p 值随之虚低。判别只需一问：结论要外推到什么单位，重复就必须落在什么单位上。同一单位的多次测量应先平均、或以混合效应模型显式建模个体项，但不能冒充独立证据。

第二是批次与研究条件完全混杂。批次效应是微阵列数据中最大的技术方差分量之一；当所有对照集中在一批、所有处理集中在另一批，"批间差"与"组间差"在数学上是同一个量，任何统计方法都无力回天。预防成本极低：按区组交错安排处理与对照，把分组写进随机化表，并在分析模型中保留批次项。事后唯一诚实的处置是承认无法区分，回到实验台补齐交错批次——数据再漂亮也一样。

第三类错误更隐蔽：参考 RNA 桥接的设计风险。跨批次或多平台比较常以一份公共参考 RNA 把各批样本"桥"到同一标尺（公共参考设计即每张芯片都对抗同一参考）。桥的稳定性就是整个研究的标尺：参考 RNA 应一次大批量制备、混匀后分装为单次用量、避免反复冻融，并以同一批号贯穿研究始终；每张芯片固定搭载桥样，用其信号漂移监控批次。若桥本身随时间降解或中途更换批号，所有批次都在用一把会变形的尺子丈量——这种错误事后几乎不可检出，只能靠规程预防。

4.3.6 全流程与质控点

图 4.3-3 把本节内容合并为一张端到端路线图：从组织到统计推断共八步，每一步都内嵌一个质控判据——取材的防降解纪律、RNA 的 RIN 门槛、扩增的轮数一致与染料平衡、杂交的温育锁定、扫描的饱和裕量、图像分析的旗标过滤、数据矩阵的 MIAME 交付与统计端的 FDR 校正。质控点分布的规律是：越靠上游的错误越难在下游察觉，因此对 4.3.1 与 4.3.2 的投入回报最高；而设计（横贯全图的横幅）不属于任何一步，却决定每一步的产出能否被解释。

本节可以浓缩为两条铁律：推断的单位是独立生物学个体；研究条件必须与一切无关因素解耦——用随机化打散，用区组收拢，用染料交换抵消，用参考桥校准。满足这两条，原始强度矩阵才配进入下一节的统计流水线。