4.1 至 4.7 节回答的是「如何测量与计算转录组」；本节转向「用它能做出什么」。转录组分析的第一批应用成果集中在四个方向：以时间进程(time course)刻画生物学程序的动态切换，以表达谱对疾病做分子分型，以基因签名预测预后并走向临床，以及宿主反应谱与表达匹配等更广的应用面。本节末尾回到方法论层面，梳理表达矩阵作为通用数据结构的深远影响，并从原书 2009 年的时点展望后续走向——包括与第 5 章蛋白质组学的衔接。
4.8.1 酵母双峰生长转换：全基因组程序的动态刻画
把酿酒酵母接入含葡萄糖的培养基，它先以发酵快速增殖并向培养基外排乙醇；葡萄糖耗尽后，培养物经历短暂生长停滞，随后转入有氧呼吸、以积累的乙醇为碳源恢复较慢的生长。这一两阶段的生长模式转换称为双峰生长转换(diauxic shift)。DeRisi、Iyer 与 Brown（1997）以覆盖酵母基因组几乎全部开放阅读框（约 6100 个基因）的 cDNA 微阵列（4.2 节），在葡萄糖耗尽前后按小时级间隔连续取样、与公共参照杂交，把一次代谢切换记录成完整的全基因组时间序列（DeRisi et al., 1997）。
结果呈现为两套协调的表达程序。葡萄糖充裕时，糖酵解酶、核糖体蛋白与氨基酸合成等「生长机器」基因维持高表达；转换点之后，TCA 循环、氧化磷酸化、糖异生与脂肪酸氧化等「呼吸机器」基因成批上调，热激蛋白与抗氧化等应激基因则在切换点附近瞬时富集——细胞把「换引擎」当作一场应激来应对。若干转录调节因子的表达变化与其靶基因群同步起落，为后续调控网络的推断提供了入口。
这项工作的典范意义在于实验设计本身。时间进程以取样时序换取动态信息：基因按表达曲线的形状聚类（4.5 节）即可读出「谁先谁后、谁与谁协同」，而不只是「两组之间谁变了」。这一范式随后迅速延展到细胞周期、发育、免疫应答与药物反应等一切「程序随时间展开」的问题——对动态过程而言，单时点比较只是快照，时间序列才给出轨迹（图 4.8-1）。
DeRisi 等（1997）的设计要点。其一，阵列覆盖酿酒酵母基因组的几乎全部开放阅读框（约 6100 个基因），使「全基因组程序」名副其实；其二，采用公共参照设计——各时间点样品均与培养起始（t₀）的参照对比，全部 log₂ 比值由此共享同一坐标，任意两个时间点可直接换算比较；其三，小时级连续取样恰当地跨越转换点前后，捕捉到应激基因的瞬时峰。功能未知的基因也获得了时间坐标，为其功能研究提供了第一批线索。
习题 4.8-1
(1) DeRisi 等（1997）为何采用「各时间点样品与同一 t₀ 参照杂交」的公共参照设计，而不是相邻时间点两两杂交？(2) 若只取转换前后各一个时间点做两组比较，会损失哪些信息？(3) 时间序列表达数据应如何聚类才能读出「程序」？
参考解答(1) 公共参照使全部 log₂ 比值共享同一坐标，任意两个时间点的表达可直接相减换算；n 个时间点仅需 n 次杂交，而两两配对需要约 n(n−1)/2 次且比值之间不可比。t₀ 参照同时锁定「切换前」的基线。(2) 损失动态与次序：无法区分先导与随动基因、看不到应激基因的瞬时峰、也无法按曲线形状归并出共调控模块。(3) 以每个基因的表达曲线为向量，用形状型距离（如 1 − 相关系数）做层次聚类或 k 均值聚类（4.5 节），使「同起同落」的基因聚为一簇，再按簇的峰值时间排序，即得到按时序展开的程序模块。
4.8.2 肿瘤分子分型：表达谱作为「分子表型」
形态学与组织学上相似的肿瘤，在分子层面常是起源细胞、驱动通路与临床进程都不相同的疾病。表达谱为此提供了一台「分子显微镜」。Golub 等（1999）对 38 例急性粒细胞白血病（AML）与急性淋巴细胞白血病（ALL）的骨髓样本（4.5 节的案例）首先做无监督分析：不给算法任何诊断标签，样本即按表达谱自然分成两团，与临床诊断一一对应；随后以训练集筛出的约 50 个基因构建有监督分类器，在留一法交叉验证(leave-one-out cross-validation, LOOCV)中表现稳健；对 34 例独立测试样本，达到预测强度阈值的样本全部判对，未达阈值者则被拒绝判类而非强行归类——这种「宁缺毋滥」的置信度设计后来成为诊断模型报告的惯例（Golub et al., 1999）。
Alizadeh 等（2000）把同一策略用于弥漫性大 B 细胞淋巴瘤（DLBCL）：无监督聚类揭示两种此前未被认识的亚型——生发中心 B 样与活化 B 样，二者在常规病理下无法区分，总生存曲线却明显分离（定性；Alizadeh et al., 2000）。Perou 等（2000）则在乳腺癌中建立了「内在亚型」框架（腔面型、基底样、HER2 过表达型等），成为此后乳腺癌分子分类的主干（Perou et al., 2000）。
这些研究确立了一个一般性命题：转录组本身构成可测量的分子表型(molecular phenotype)——疾病分类可以不再仅凭形态，而以全基因组表达模式为据。分子分型(molecular classification)由方法学演示走向诊断学概念（图 4.8-2）。
类别发现与类别预测。分子分型包含两个层次：类别发现（class discovery）是无监督的——检验数据中是否存在未知的自然分组，提出假说；类别预测（class prediction）是有监督的——学习已知标签并给出可部署的判别规则，检验假说。将二者混同（在同一小样本上既发现类、又估计准确率）会带来乐观偏倚；严谨的做法是发现与预测分用不同样本，或至少以交叉验证与独立测试把关。
习题 4.8-2
设某分类器在 38 个带标签的白血病训练样本上训练。(1) 描述留一法交叉验证的完整执行过程；(2) 若该分类器在训练集上的再代入准确率为 100%，LOOCV 准确率为 85%，解释差距的来源；(3) 若特征选择（从上万个基因中挑出分类基因）在交叉验证循环之外、用全部样本完成，对 LOOCV 的估计有何影响？
参考解答(1) 每轮留出 1 个样本、以其余 37 个样本（含特征选择与模型拟合的全部步骤）训练，预测被留出的样本；轮换 38 次，以 38 次预测的汇总正确率作为泛化误差的近似无偏估计。(2) 再代入（resubstitution）衡量的是模型对已见数据的拟合程度；当特征数远大于样本数（p ≫ n）时，模型足以「背下」训练集的噪声，因此再代入准确率系统性偏高。LOOCV 每次都以未参与训练的样本检验，二者之差（100% − 85%）正是过拟合带来的乐观偏倚。(3) 被留出的样本在特征选择阶段已经「见过」——挑基因时用到了它的信息，等于考题事先泄露；LOOCV 将因此高估准确率。正确做法是把特征选择完整地放进每一折的训练数据之内，只让留出样本真正独立。
4.8.3 预后签名：临床转化与统计批评
van 't Veer 等（2002）研究了一个更具临床分量的问题：早期（腋窝淋巴结阴性）乳腺癌患者中，谁能安全地免于辅助化疗？作者以 78 例肿瘤为训练队列，从约 2.5 万个基因中筛出与五年内远处转移相关的约 70 个基因，构成预后签名(prognostic signature)，把患者分为高风险与低风险两组；两组的转移风险相差悬殊（定性），提示相当一部分患者可免于不必要的化疗（van 't Veer et al., 2002）。该签名经后续验证与开发，于 2007 年以 MammaPrint 之名获美国 FDA 许可，成为首个基于微阵列的多基因体外诊断检测——从论文到临床产品的转化路径由此打通。
然而，预后的统计构造远比白血病分型脆弱：样本以十计、特征以万计，特征选择与模型评估稍有不慎即产生过于乐观的效能。图 4.8-3 概括了从发现到临床的完整链路，以及各环节的主要失守点。
签名科学的可重复性之争。围绕表达签名的批评集中于三点。其一，交叉验证不足：若特征选择在验证循环之外完成，被留出的样本早已参与基因挑选，效能估计系统性偏乐观；基于重复随机划分的研究进一步表明，不少已发表微阵列预测器的误差率在不同划分下并不稳定（Michiels et al., 2005）。其二，平台依赖：签名基因集合绑定特定阵列与预处理流程，换平台、换标本类型后难以直接迁移；不同研究筛出的基因几乎不重叠——尽管其在通路层面常相互呼应——说明签名更多捕获的是通路活动而非「那几十个基因」本身。其三，效应稀释：训练队列常富集结局两端的极端样本，而真实临床人群处于中间带，辅助治疗的普及又改变了事件率，签名在未选择人群中的区分度随之下降。学术上的平衡结论是：签名作为预后信息的补充有据可依，但其临床效用应以独立、前瞻性的方式验证（后见之明：2016 年公布的前瞻性 MINDACT 试验为 70 基因签名提供了此类证据）。
4.8.4 更广的应用面：宿主反应、表达匹配与单细胞前夜
应用版图并不限于肿瘤。其一，宿主反应的血转录组(blood transcriptome)：外周血取材方便、免疫细胞丰富，2000 年代中期起，研究者开始用表达谱刻画机体对感染与损伤的系统性反应——区分细菌性与病毒性感染、识别活动性结核相对潜伏感染与健康对照的特异表达模式，为「读宿主反应以判病原」的诊断路线奠定基础（定性表述，具体效能以原始文献为准）。其二，药物重定位的表达匹配思想：Lamb 等（2006）构建连接图（Connectivity Map），把「疾病签名」与「药物处理谱」放进同一参照系比对——若某化合物倾向于逆转疾病的上调与下调基因集，即为潜在的重定位候选，表达谱由此变成可检索的「表型搜索引擎」（Lamb et al., 2006）。其三，单细胞的前夜：Tang 等（2009）实现了对单个卵裂球的全转录组 mRNA 测序（该文与原书第 3 版同年发表），把 4.7 节的 RNA 测序推进到单细胞尺度，为肿瘤异性与发育研究打开了新维度。
习题 4.8-3
某疾病的表达签名包含上调基因集 U 与下调基因集 D。化合物 C 处理细胞后测得表达谱：(1) 若 C 使 U 中基因倾向下调、D 中基因倾向上调，其与该疾病签名构成何种方向的「连线」？(2) 以连接图（CMap）的思想，C 可作为什么候选？(3) 指出这一推理的两点局限。
参考解答(1) 负向连线——C 的处理谱系统性逆转疾病签名。(2) 药物重定位候选：其隐含假设是「能逆转疾病表达特征的化合物可能缓解疾病表型」，CMap 正是把这类匹配变成可计算的检索。(3) 局限一，表达逆转与临床疗效之间隔着药理学与毒理学——有效浓度、代谢、脱靶与代偿通路都不会出现在表达匹配得分里；局限二，语境错位——匹配所用的细胞系处理谱与体内疾病组织的细胞类型、免疫与微环境并不相同。因此表达匹配是假说生成工具，其输出仍需实验与临床验证。
4.8.5 方法论遗产与展望
回望本章，最深远的遗产或许不是任何一项具体发现，而是一个数据结构：表达矩阵（基因 × 样本）。从双色阵列的 log₂ 比值、寡核苷酸阵列的强度，到 RNA 测序的读段计数（4.7 节），平台几经更迭，「行是基因、列是样本、值是丰度」的矩阵形式始终未变。这一约定使不同来源的数据可以入库、比对与整合，公共数据库（GEO、ArrayExpress）据此组织归档，把多个独立研究合并重新分析的元分析因此成为可能——数据结构比产生它的平台活得更久。
与矩阵同样长存的是可重复性运动。MIAME 标准规定了实验元数据的最小集合；GEO 与 ArrayExpress 以存档原始数据为发表惯例；Gentleman 等（2004）发起的 Bioconductor 项目则把分析流程写成可分发的开源软件包，使「数据 + 代码 + 版本」整体可复现成为领域规范（Gentleman et al., 2004）。4.4.6 节所述的报告纪律，正建立在这套基础设施之上。
站在原书 2009 年的时点展望：其一，杂交阵列正让位于 RNA 测序，计数的统计框架更为自然；其二，群体水平的平均信号掩盖细胞异质性，转录组必然走向单细胞乃至空间分辨（括注：此为后见之明——当时单细胞全转录组测序刚刚出现，空间分辨转录组尚未成熟）；其三，也是本教程结构性的下一步——mRNA 丰度不等于蛋白质丰度，翻译调控与蛋白降解使二者常常解耦，要理解细胞的功能执行状态，必须直接测量蛋白质。第 5 章的蛋白质组学由此接棒。
关键术语
- 双峰生长转换 (diauxic shift)
- 葡萄糖耗尽触发的两阶段生长模式转换：酵母由发酵切换到以乙醇为碳源的有氧呼吸。
- 时间进程 (time course)
- 按时序连续取样、以表达动态而非静态组间差异为对象的实验设计范式。
- 分子表型 (molecular phenotype)
- 以全基因组表达模式刻画的细胞或疾病状态特征，可作为分类与诊断的依据。
- 分子分型 (molecular classification)
- 依据表达谱等分子数据划分疾病亚类，含类别发现（无监督）与类别预测（有监督）两层次。
- 留一法交叉验证 (leave-one-out cross-validation, LOOCV)
- 每次留一个样本作检验、其余作训练的交叉验证，小样本分类器的标准评估方法。
- 预后签名 (prognostic signature)
- 与临床结局相关的一组基因表达模式，用于把患者分层为不同风险组以辅助治疗决策。
- 血转录组 (blood transcriptome)
- 外周血细胞的全基因组表达谱，反映宿主对感染、损伤等状态的系统性反应。
- 表达匹配 (expression matching)
- 以疾病签名与药物处理谱的相关结构检索潜在药理关系、提示药物重定位的思想（连接图）。
参考文献与延伸阅读
- Gibson G, Muse SV. 2009. A Primer of Genome Science, 3rd ed. Sunderland (MA): Sinauer Associates. (Chapter 4)
- DeRisi JL, Iyer VR, Brown PO. 1997. Exploring the metabolic and genetic control of gene expression on a genomic scale. Science 278(5338): 680–686.
- Golub TR, Slonim DK, Tamayo P, et al. 1999. Molecular classification of cancer: class discovery and class prediction by gene expression monitoring. Science 286(5439): 531–537.
- Alizadeh AA, Eisen MB, Davis RE, et al. 2000. Distinct types of diffuse large B-cell lymphoma identified by gene expression profiling. Nature 403(6769): 503–511.
- Perou CM, Sørlie T, Eisen MB, et al. 2000. Molecular portraits of human breast tumours. Nature 406(6797): 747–752.
- van 't Veer LJ, Dai H, van de Vijver MJ, et al. 2002. Gene expression profiling predicts clinical outcome of breast cancer. Nature 415(6871): 530–536.
- Lamb J, Crawford ED, Peck D, et al. 2006. The Connectivity Map: using gene-expression signatures to connect small molecules, genes, and disease. Science 313(5795): 1929–1935.
- Gentleman RC, Carey VJ, Bates DM, et al. 2004. Bioconductor: open software development for computational biology and bioinformatics. Genome Biology 5(10): R80.
- Michiels S, Koscielny S, Hill C. 2005. Prediction of cancer outcome with microarrays: a multiple random validation strategy to estimate error rates. The Lancet 365(9458): 488–492.
- Tang F, Barbacioru C, Wang Y, et al. 2009. mRNA-Seq whole-transcriptome analysis of a single cell. Nature Methods 6(5): 377–382.