随机基因签名的预后显著性在 TCGA 泛癌中的分布：以增殖元基因校正为轴，检验已发表预后签名相对于随机零模型的增量价值

1 · 研究问题

在 TCGA 泛癌（Pan-Cancer Atlas）的 ≥ 15 种癌型中，一个随机抽取的 100 基因签名与患者生存显著相关的概率各是多少？这个"随机显著率"是否可由该癌型中增殖元基因（meta-PCNA）自身的预后强度预测？在此零模型下，已发表的预后基因签名中有多大比例的预后价值超出随机水平，且在扣除增殖信号后仍然成立？

2 · 研究背景与空白

背景。 "发现一组基因签名可预测某癌症预后"是肿瘤基因组学产出量最大的论文体裁之一，每年数以千计。其统计基础是：把签名基因的表达汇总成一个分数，按中位数分高低两组做 log-rank 检验或 Cox 比例风险回归。问题在于，肿瘤转录组存在一个占据大量方差的主轴——细胞增殖，它本身就与预后强相关，因此任何与增殖相关的基因组合都会"显著"。

已有工作到哪一步。 Venet、Dumont 与 Detours（PLOS Computational Biology, 2011）在乳腺癌中给出了决定性结果：任意随机抽取的 ≥ 100 个基因，有 90% 的概率与预后显著相关；47 个已发表乳腺癌签名中有 28 个（60%）的预后强度不强于随机预期；他们用"meta-PCNA"增殖元基因做校正后，多数签名基因的预后价值消失。另一条线是 Ramaker 等（Oncotarget, 2017）在 19 种癌症上做增殖分析，识别出一批"增殖信息型（proliferation-informative）"癌症并给出共同生存签名。

空白在于：Venet 的随机零模型只在乳腺癌一种癌型上建立过，而它的核心量——"随机签名显著率"——从未在泛癌尺度上被系统标定。 Ramaker 等虽然做了泛癌增殖分析，但其目标是构建签名，不是证伪签名；他们没有做随机零模型。于是今天研究者在肺癌、肝癌、胶质瘤上发表签名时，手边并没有对应癌型的"随机基线"可比。这个空白适合学生课题：TCGA 表达与临床结局均为开放访问数据、算力在小时级、方法学完全公开、结论正负都成立。

3 · 可检验假设

• H1：随机 100 基因签名在各 TCGA 癌型中的显著率（Cox 单变量、FDR < 0.05）跨癌型跨度极大，最高与最低癌型之差 ≥ 40 个百分点；且该显著率与该癌型 meta-PCNA 分数自身的 Cox 风险比（|log HR|）的 Spearman 相关 ≥ 0.6（FDR < 0.05）。
• H2（备择/机制假设）：在按 meta-PCNA 分数校正后，随机签名的显著率在"增殖信息型"癌型中下降 ≥ 50%（相对值），但在非增殖信息型癌型中下降 < 20%——即增殖并非所有癌型预后信号的共同来源。若 H2 被否证（所有癌型下降幅度相近），则说明存在一个跨癌型通用的混杂主轴，需要另找解释变量（如免疫浸润或肿瘤纯度），这本身是更有价值的发现方向。

4 · 量化验收标准

1. 方法学校验（硬门槛）：用自建管线在 Venet 等 2011 使用的乳腺癌设定下复现其三项核心已发表结果：(a) 随机 100 基因签名的显著率 ≥ 85%（原文报 90%）；(b) 复现原文点名的至少 5 个已发表乳腺签名的预后 p 值方向与量级（log10 p 的偏差 ≤ 0.5）；(c) 复现 meta-PCNA 校正后显著性消失的定性结论。三项中任一不达标，管线不可信，全部泛癌结论无效。（若原文所用的 NKI/公开乳腺队列不可得，则在 TCGA-BRCA 上复现，并明确标注这是"设定迁移"而非严格复现。）
2. 统计口径预先写死：(a) 生存终点严格按 Liu 等（Cell, 2018）TCGA 泛癌临床数据资源的官方推荐逐癌型选择——多数癌型用 PFI（progression-free interval）而非 OS（overall survival），事件数少的癌型不得用 OS，选择理由逐癌型写入表格；(b) 所有 p 值报 Benjamini–Hochberg FDR，不报裸 p 值；(c) 每个癌型必须报事件数与按 10 events-per-variable 规则计算的可容纳协变量上限，事件数 < 30 的癌型一律剔除并写明；(d) Cox 模型必须做比例风险假设检验（cox.zph / Schoenfeld 残差），违反者改用限制平均生存时间（RMST）差作为备用终点并两者都报；(e) 分组比较若涉及不平衡二分类的判别性能，报 PR-AUC 与 C-index，不报 accuracy，原因是事件率在多数癌型低于 30%，全判"无事件"即可得虚高 accuracy。
3. 批次效应必须检查并写明：使用 Pan-Cancer Atlas 的 EB++ 批次校正版表达矩阵；同时用未校正版做一次敏感性分析，报告两版之间随机显著率的差值。肿瘤纯度（来自公开的 ABSOLUTE/共识纯度表）作为协变量做一次调整分析。
4. 规模下限：≥ 15 个癌型，每个癌型 ≥ 200 例且事件数 ≥ 30；每个癌型 ≥ 5,000 次随机签名抽样（签名长度网格 {10, 50, 100, 250, 500}）；已发表签名 ≥ 60 条，覆盖 ≥ 6 个癌型。
5. 签名来源的地位：所有已发表签名的基因列表仅作为对照与评估对象，不计入本项目的数据贡献；每条签名必须记录原文出处、癌型、原报告的效应量，形成可核查的附表。
6. 可复现性：随机种子、癌型-终点对照表、全部脚本与结果 CSV 开源；提供 3 癌型的降规模复现包（≤ 1 小时可跑完）。

5 · 数据与工具

用途	来源 / 工具
泛癌表达矩阵	UCSC Xena，TCGA Pan-Cancer Atlas 的 EB++AdjustPANCAN 基因表达（RSEM 归一化，约 20,500 基因 × 11,000 样本，压缩包数百 MB 至 1 GB 级；https://xenabrowser.net/datapages/ ）。float32 存 20.5k×11k 约 0.9 GB，16 GB 内存下必须按癌型切片处理，不整表载入 pandas
生存终点与临床变量	TCGA-CDR（Liu et al., Cell 2018，"An Integrated TCGA Pan-Cancer Clinical Data Resource"）的补充表，含 OS/DSS/DFI/PFI 四个终点及逐癌型的终点使用推荐。此表是本课题统计口径的权威依据
肿瘤纯度	TCGA 公开的共识纯度估计表（Aran et al. 2015 等），用于协变量调整
已发表预后签名	(a) MSigDB C2:CGP 基因集合中的预后相关集合；(b) 手工整理近五年针对目标癌型的"novel prognostic signature"论文（每条记录出处、基因列表、原报告 HR），目标 ≥ 60 条
meta-PCNA 增殖元基因	Venet 等 2011 补充材料给出的 meta-PCNA 基因列表；备用为 MSigDB Hallmark 的 E2F_TARGETS 与 G2M_CHECKPOINT
受控访问核查	TCGA 的基因表达（Level 3）与 TCGA-CDR 临床结局表为开放访问，可直接下载，无需 dbGaP DAC 审批；个体水平体细胞/胚系变异 VCF、BAM/CRAM 与部分详细临床字段为受控访问，中学生无法申请，本项目一律不使用。数据已去标识化，年龄 > 89 岁被掩码，不涉及可识别个人信息，无需伦理审批
生存分析	Python lifelines（CoxPHFitter、proportional_hazard_test）或 R survival + survminer。单变量 Cox（n≈500）单次拟合约 3–10 ms
算力口径	纯 CPU。15 癌型 × 5 长度 × 5,000 次 = 375,000 次 Cox 拟合，按 8 ms/次约 50 分钟（单核），多核或用 R coxph 的向量化更快。表达矩阵按癌型切片后每片约 20.5k × 500，内存 < 100 MB。全流程可在一个通宵内跑完，无算力风险
对照基准	Venet 等 2011 的乳腺癌结果、Ramaker 等 2017 的 19 癌型增殖分析。仅用于校验与对比，不计入本项目的数据贡献

6 · 方法路径

1. 装环境，下载 Xena 表达矩阵与 TCGA-CDR，先完成验收标准第 1 条的 Venet 复现，把三项复现结果与原文数值并列写入 validation/。
2. 按 TCGA-CDR 官方推荐为每个癌型锁定生存终点，剔除事件数 < 30 的癌型，生成"癌型–终点–样本数–事件数"对照表（这张表必须在跑任何随机抽样之前冻结）。
3. 在每个癌型上建立随机零模型：按长度网格抽取随机基因集，签名分数取标准化表达的均值，单变量 Cox 拟合，统计 FDR < 0.05 的比例；输出各癌型的随机显著率曲线（显著率 vs 签名长度）。
4. 计算各癌型的 meta-PCNA 分数及其自身 Cox 结果，检验 H1 中的跨癌型相关。
5. 把 ≥ 60 条已发表签名逐条放入对应癌型，计算其效应量在该癌型随机零分布中的分位数（这是本课题的核心量），并报出"超过随机 95 分位"的签名比例。
6. 做 meta-PCNA 校正（把 meta-PCNA 分数作为协变量放入 Cox），重算第 3、5 步，检验 H2；同时做肿瘤纯度调整与未批次校正版的敏感性分析。
7. 独立交叉校验：换一套完全独立的生存框架——非参数 log-rank（按中位数二分）与 RMST 差——重算主结论；再用一个 TCGA 之外的公开队列（如 GEO 上带随访信息的肺腺癌或肝癌表达数据集）复算至少 2 个癌型的随机显著率，验证结论不是 TCGA 特有的技术产物。

7 · 新颖性边界

本课题不提出新的预后模型，不声称发现任何新的癌症生物标志物，不声称"随机签名常常显著"与"增殖是主要混杂"为本项目发现——这两点由 Venet、Dumont、Detours（2011）在乳腺癌中确立，学生必须在正文首段明确归属。

已有工作具体完成了什么：Venet 等在乳腺癌一种癌型上建立随机零模型，量化 47 条已发表签名相对随机的增量，并提出 meta-PCNA 校正；Ramaker 等（2017）在 19 种癌症上做增殖分析并构建了一个共同生存签名，但没有随机零模型、没有对已发表签名做证伪。

本项目的贡献（且是主结论）：把 Venet 的零模型从单癌型扩展到泛癌尺度并转成一张可查的基线表——给出每个癌型的"随机显著率 vs 签名长度"曲线，使任何新签名都能被放进对应癌型的随机分布里读出分位数。附带的第二个主结论是 H2 所检验的机制命题：增殖是否是所有癌型的共同混杂轴。这属于"新样本的独立检验 + 评价维度转换"的双重定位。

为什么有价值：过去十五年的预后签名文献几乎全部缺少癌型特异的随机基线。一张可直接查用的基线表把"这条签名是否值得相信"从主观判断变成可计算的分位数。

风险声明："泛癌显著率高度一致、且与增殖强度无关"同样是有效结论（它会否定 Venet 结论的可推广性，同样重要），但必须给出自助法误差棒，证明本设计有能力分辨假设中的 40 个百分点差异与 0.6 的相关系数。

8 · 决策门槛（go / no-go）

• 第 5 周末（硬门槛）：验收标准第 1 条必须通过。若 Venet 复现的随机显著率 < 85%，先排查表达值标准化方式与生存终点定义（这两项最常出错）；三周内仍不通过则降级：把校验基准换成 Ramaker 等 2017 公布的癌型级增殖–生存关联（其补充材料给出逐癌型数值），校验阈值定为 Spearman ≥ 0.8。主结论框架不变。
• 第 8 周末：确认满足"≥ 200 例且事件数 ≥ 30"的癌型数量。若 < 12 个，立即降级：其一，把终点统一放宽到 PFI 并接受随访较短带来的检验力损失，在论文中量化这一损失；其二，把癌型合并为器官系统级分组（消化道 / 泌尿生殖 / 胸部 / 神经系统等 6 组），基线表由"逐癌型"变为"逐系统"。两条降级都保留"随机零模型 + 已发表签名分位数 + 增殖校正"的主结论框架。
• 第 16 周末：确认已发表签名的收集量。若可完整复原基因列表的签名 < 40 条，立即降级：改用 MSigDB C2:CGP 中的策展基因集作为"已发表基因集"的代理，明确标注这是代理而非真实预后签名，并把结论范围相应收窄。
• 第 24 周末：若 H1 的癌型间跨度 < 20 个百分点且相关系数不显著，按风险声明写"随机显著率跨癌型一致"结论，并把该结论转为一张统一基线表（对使用者同样有价值）。
• 第 36 周结果冻结，第 44 周英文 PPT 初稿。
• 需提前核实而非边做边发现：(a) Xena 的 EB++ 矩阵与 TCGA-CDR 的样本 ID 命名规则（TCGA barcode 前 12 位 vs 前 15 位）对齐方式，错位会导致全盘错误；(b) Venet 2011 补充材料中的 meta-PCNA 基因列表是否仍可下载；(c) 目标癌型是否存在同一患者多样本（需去重规则）。三项在第 6 周前查清。
• 选择前提：适合统计基础扎实、能接受"本课题的价值在于给他人的工作降温而非做出新发现"这一定位的学生。答辩时必须能清楚说明为什么"证伪型工作"是正当的科研贡献——这一点须提前准备英文表述。
• 预算裁剪顺序：先砍 GEO 外部队列复算（第 7 步后半），再砍肿瘤纯度调整，再砍签名长度网格（只保留 100 与 500 两点），最后把癌型数从 15 降到 10。砍到只剩"10 癌型 × 100 基因随机零模型 + 40 条签名分位数 + meta-PCNA 校正"时，主结论仍成立。

---