最近群里有人转了一篇代谢方向的一区Top文章IF 11.9评论区照例吵成两派。一派说代谢组学这波终于又被正名了另一派撇撇嘴觉得组学而已筛一堆差异代谢物、画个火山图、跑个通路富集就完事上限摆在那里。两边为这文章到底配不配争了一整天。我把论文和补充材料翻了几遍说句实在话两派都没说到点子上。这篇文章真正值得关注的不是它证明了代谢组学能不能发高分而是它把临床问题—队列设计—组学检测—数据挖掘—机制验证—写作投稿整条链路完整地走了一遍。简单讲它给代谢领域的研究提供了一个可以照着搭框架的高分模板。我不会把它讲成玄学更不会让大家以为靠学几个R包就能复现。下面我会按科研流程一层层拆解这篇论文背后的通用方法论包括最容易踩、也最容易被审稿人一票否决的坑。为了讲起来清楚我拿一个和它同构型的模拟课题某代谢队列研究X举例把论文里的设计逻辑抽出来做沙盘推演。想冲击一区Top的临床科研人员、刚入门的代谢组学研究生、以及正在补机制实验的课题组这篇拆解应该都能用得上。1. 分数背后代谢研究的上限由什么决定1.1 两条典型路线从数据出发 vs 从问题出发国内有大量代谢组学课题走的是同一条路先想办法弄一批疾病组和对照组的样本送出去跑一针LC-MS非靶向回来拿到一张几千代谢物的表格筛出几十个差异代谢物画火山图做KEGG富集然后挑三条看起来顺眼的通路硬着头皮解释。这条路两个月能写出一篇初稿但恰恰是高水平期刊编辑最熟悉的套路——也是免疫最充分的套路因为一眼就能看出作者是先射箭后画靶。真正能冲高分的文章开局并不是从数据开始而是从一个明确的临床问题或生物学问题出发。我见过太多本末倒置的情况样本先送去测了测完回来才琢磨这批数据能讲什么故事或者按某个公开数据集的思路跑了一遍结果不理想就疯狂调参数直到凑出阳性结果。审稿人大部分都是做了十几年研究的老手这种痕迹在审稿阶段几乎无法掩盖。从问题出发的逻辑完全不同。研究者先定义清楚我要回答什么临床问题、为什么这个问题重要、组学数据能在哪个环节提供证据然后才去决定样本类型、队列规模、检测平台和分析策略。组学在这里不是故事的主角而是验证链条中的一环。可以这么理解一篇文章就像一张桌子组学数据只是桌面上的一块板选题是桌腿样本设计是稳固性机制验证是桌面的承重结构。没有桌腿和结构板再大也只是块木板。1.2 审稿人实际上在用三个问题审视代谢论文高分期刊的代谢类投稿大部分在初审阶段就被编辑退掉了。编辑每天过大量稿件真正会送审的往往是能快速回答三个问题的稿子第一个问题这个临床/生物学问题值不值得研究换句话说读者读完摘要以后会不会觉得这事确实重要而且一直没人解决好。用代谢组学反复筛同一个疾病、同一个样本类型、同一套思路做完只是换了个队列这类选题基本在第一轮就会被过滤掉。第二个问题数据能不能支撑结论这里的支撑不是指P值多好看而是样本量是否足够、分组是否有代表性、质控是否规范、统计是否严谨、组学注释是否有据可查。很多稿子项目的故事很漂亮但一看方法学那几百字写得极其敷衍编辑心里马上就会打鼓这个作者自己都没搞清楚数据是怎么来的后面结论能可靠吗第三个问题机制是不是闭环代谢组学通常只能提供相关性描述疾病组里某个代谢物升高了但为什么升高、是合成增加还是降解受阻、上游哪个酶参与、这个变化在独立样本里能否重复如果文章只有相关性描述没有纵向或实验闭合的证据审稿人大概率会回复mechanistic insight insufficient机制洞见不足。高分和低分的分界线大多数时候就划在这条线上。1.3 一个可复用的闭环框架把上面的逻辑整合起来就是代谢高分论文背后那个看不见的骨架临床现象未被满足的问题→ 研究切入点机制假设→ 队列设计发现队列验证队列→ 样本采集与质控 → 组学检测非靶向筛选靶向验证→ 数据预处理 → 差异筛选与通路解读 → 多组学整合 → 机制实验验证 → 写作与投稿。我拆解的这篇文章或者说我构建的模拟课题某代谢队列研究X每一步都是按照这个框架来做的。后面各章节会依次展开每一站的具体操作和常见坑你可以把它当作一张地图来用。2. 选题先行高分代谢论文的第一个分水岭2.1 为什么首次报道不是选题的护身符很多研究者以为选题的核心是新于是拼命在标题里堆首次报道某代谢物在某疾病中的变化。实际上对高水平期刊而言首次两个字的分量正在快速贬值。原因很简单检测技术越来越标准化样本一送出去输出几千个代谢物里面总有几个和疾病相关所谓首次发现很大概率是噪声翻来覆去炒冷饭。这种增量式发现对临床决策和机制理解的贡献非常有限。高分文章选题的真正护城河是把一个已知的临床矛盾掰开比如为什么临床表现相似的患者预后却完全不同为什么某个代谢指标在疾病早期就出现变化却没人弄清楚它在通路层面的位置这种问题有清晰的临床意义又天然带机制纵深。拿模拟课题某代谢队列研究X来说如果直接做糖尿病肾病vs对照的差异代谢物那基本一投一个拒。但把问题切成同一病程阶段患者中进展快与进展慢的代谢特征差异或代谢紊乱从正常到早期的动态轨迹研究价值立刻不一样。因为这种问题回答的不是有没有差异而是差异能不能预测和解释一种临床状态的分化审稿人会看到作者在思考而不只是提供一张差异列表。2.2 学一个选题评分表投之前先自己打分我在评估一个代谢课题时会拿一张简单的三维表打钩任何一栏明显偏弱就要想想是不是应该调整选题。评估维度判断标准高风险信号临床意义问题是否源自真实诊疗场景结论能否影响决策或填补机制空白筛个差异是唯一卖点没有对接任何临床结局机制创新是否指向可验证的通路/酶/代谢节点机制解释是否具体到分子层面停在通路被激活/抑制这种空泛描述组学可答性该问题用当前样本和技术可回答代谢物变化空间是否足够样本类型不适合该问题预期效应量太小代谢物受饮食药物干扰太强这张表最有价值的不是打分本身而是逼着你在开题前把故事讲给自己听一遍。你在心里默念三分钟——我的课题回答什么问题证明什么机制改变什么认知——但凡说不清楚大概率文章也写不清楚审稿人更不可能替你想清楚。2.3 从临床现象中挖切入点的具体手法这套手法我自己实践过很多次研究者要做的是把临床现象往下钻一层。比如知道某种代谢紊乱和不良预后相关就往下问它是疾病的因、果还是伴随状态如果某个代谢物在早于影像学变化时已经改变那它能不能作为预警标志物如果一组代谢物在不同组织中的变化方向相反那会不会存在器官间的代谢串扰模拟课题某代谢队列研究X的切入点就落在早期动态演化这个缝隙里不是因为这个问题简单而是它需要同时具备时间维度的队列、代谢变化的敏感检测以及跨层面的机制解释。这个选择决定了后面所有实验的走向也决定了文章层次的起点。3. 队列与样本审稿人在第一眼就会检查的三件事3.1 发现队列和验证队列谁是地基谁是围墙一区Top的代谢研究几乎不可能靠单队列包打天下。最常见的做法是拆成两个阶段发现队列用来做全面筛选样本量不需要特别大但要覆盖人群的代表性每组五六十例以上是常见配置验证队列则用独立样本验证核心代谢物和模型这时的样本量需要根据预期效应量做估算而不是拍脑袋定个每组一百例。这里有个容易被忽略的点验证队列的意义不只是再检验一次P值而是证明发现队列的结论不是某个中心、某批试剂、某次检测的偶然产物。因此验证队列最好来自不同的采样时间段或不同的中心至少也要保证样本处理流程是独立的。用同一个批次的样本强行拆分发现和验证在审稿人眼里等于没有验证。3.2 基线匹配代谢指标最容易栽在这一点代谢组学的天然劣势在于结果极其容易受年龄、性别、BMI、用药史、饮食和采样时间影响。两组间年龄差个五岁、BMI差个两三个单位看起来不起眼但反映到代谢物层面可能就是几十种差异而这些差异和疾病本身毫无关系。许多研究所犯的典型错误是P值校正做得漂亮却连最基础的临床特征表格都不匹配被审稿人一句话就打回confounding factors were not adequately controlled.标准做法是提前把匹配变量写进方案年龄和性别是底线BMI、吸烟史、关键合并症、用药类别尤其是降糖降脂类药物必须认真采集。统计阶段再做多因素校正或倾向性评分匹配双保险。基线表这一页是整个论文里投入产出比最高的一张表。3.3 样本采集的细节抗凝管、离心和溶血都不能凑合样本采得不好后面统计再精细也是白搭。血清和血浆的代谢轮廓差异明显血清在凝血过程中会释放血小板相关内容物血浆则取决于抗凝剂类型。肝素抗凝会引入大量聚合物干扰质谱EDTA在金属离子检测方面有优势柠檬酸钠会带来额外离子峰。选择哪一种必须在方案阶段确定不能样本收到一半换管子。采血后的处理时间同样关键。静脉血在室温下放置两小时和放置六小时糖酵解产物、能量代谢物和核苷酸都会有明显变化。规范的流程是采血后半小时内完成离心分装低温或干冰运输-80摄氏度保存。任何一次冻融都要记录。我见过有课题组对这点不以为意结果同一批样本的QC质量控制样本质控波动大得离谱审稿人要求看原始谱图只能被动。另外溶血样本是代谢组学的大敌。红细胞破裂会把血红蛋白和胞内代谢物释放到血清/血浆中造成大量假差异。最简单的自检办法分离后肉眼观察颜色偏红的样本直接弃用或标记为可疑不进入后续分析。很多项目组在取样现场不记录溶血情况数据分析阶段才发现异常这时已经没法补救了。3.4 QC样本的插入节奏是门细功夫代谢组学里有一句行话没有QC样本的数据等于没有标尺的尺子。QC样本通常把所有待测样本各取一小份混合而成也可以购买标准血浆。它的作用一是监测仪器漂移二是提供批次间校正的依据三是让审稿人看到你有质量控制的意识。实操中的建议是在正式样本序列前先跑5到7针QC让仪器状态稳定然后每10到15个实际样本插入一针QC整批次结束后再补一针QC整个项目做成三到五批时视需要在新批次前再执行同样的程序。跑完以后把QC样本中代谢物信号的相对标准偏差RSD列出来通常要求核心代谢物RSD小于20%整体信号中RSD小于30%的代谢物占比越高越好。这个细节看着繁琐但恰恰是高分文章补充材料里最有说服力的内容。3.5 饮食、节律和用药看不见的干扰因子采样时间不统一对代谢组学的影响比很多人想象中严重。同一个人的晨起空腹血和饭后两小时血代谢轮廓可能差出几十个峰。理想状态下所有样本应该在相似时间段采集且记录受试者的禁食时间、采样时间和最近的用药情况。如果实在做不到严格同步至少要在统计分析里把采样时间作为协变量纳入校正。在我经手过的项目里有不少课题的对照组来自体检中心下午的闲置样本而疾病组来自上午病房的空腹血。这种结构性时间偏差直接嵌入研究设计不只是统计能救回来的问题。做代谢研究之前先想清楚样本采样的可操作性远比先想统计方法重要。4. 检测平台与数据预处理可信度的源头4.1 别急着定平台先看样品和问题匹配不匹配代谢组学平台的选型是很多课题的隐性分水岭。LC-MS适用性最广灵敏度高能覆盖脂质、氨基酸、有机酸等大量中高极性代谢物是目前非靶向的主流平台也有商品化的靶向试剂盒做后续验证GC-MS擅长挥发性物质和衍生化后的小分子比如脂肪酸、糖类、有机酸而且有比较成熟的商业化谱库但样本前处理步骤多容易引入系统差异NMR重复性最好无损适合定量浓度较高、含量稳定的代谢物但灵敏度相对低覆盖范围有限。我的建议很简单先查文献看相同样本类型在类似疾病里用哪类平台得到的信息最有生物学意义再查预算和平台稳定性看是否可以支持靶向验证。选平台不是选参数是选整篇文章证据链的第一环。平台适合场景优点短板LC-MS非靶向血清/血浆/组织/细胞覆盖广谱代谢物灵敏度高、覆盖广、极性范围宽注释和定量受批次影响大LC-MS靶向对候选代谢物精确定量线性范围好、标准品验证、证据力强只能覆盖数十到数百种代谢物GC-MS挥发性成分、脂肪酸、糖类/有机酸谱库成熟、重复性较好前处理衍生化步骤多、易引入误差NMR含量较高的代谢物、跨中心验证无损、重复性极好、可绝对定量灵敏度低、覆盖范围窄4.2 非靶向筛查加靶向验证是最稳妥的组合拳现在的高分代谢研究很少只有一套非靶向数据。核心逻辑在于非靶向筛查的定量准确性不足以支撑关键的生物学结论——它只能告诉你峰面积在组间有差异但同一代谢物可能受离子抑制效应影响不同代谢物之间也不能直接比较响应值。因此标准的流程是在非靶向结果里挑出对故事最重要的候选代谢物一般五到三十个用标准品在靶向模式下进行定量验证把浓度或相对定量结果放成柱状图或箱线图。靶向数据往往比非靶向数据更接近真实差异也更能经得起这个代谢物到底变没变的追问。审稿人最喜欢看的就是这种组合既有广度的筛选又有深度的精确定量。4.3 批次效应高发事故区代谢组学数据最容易被审稿人揪住的一个问题就是批次效应。最好的方案是同一批次跑完全部样本但样本数量多、仪器时间有限现实中往往需要拆成多批。此时必须在方案设计时预留QC样本并在数据预处理阶段做校正。常见的一种思路是利用QC样本建立校正曲线因为同一个QC样本的真实组成是固定的其信号的波动可以看作系统误差用每个代谢物信号随进样顺序的漂移趋势做局部回归或支持向量回归校正再去掉这部分技术变异。需要反复检查的是校正效果用QC样本在不同批次间的RSD来评估如果校正后QC的离散度明显下降就说明批次效应得到了一定程度的压制。4.4 缺失值、归一化和对数变换不能随手选拿到原始峰表后第一步不是算差异而是做缺失值评估。一个代谢物若在超过一定比例常见设为20%到50%的样本里缺失通常意味着检测限以下或者注释不稳定这类代谢物要直接剔除或在后续分析里谨慎解释。对少量缺失可以选用最小值填充、K近邻填充等方法但不同填充方式对后续统计的影响可能很大最好在补充材料中说明敏感性分析的结果。归一化方法也不是随手拿一个就用。血清和血浆这类基质相近的样本常见的做法是概率商归一化或总离子流归一化。尿液则特殊受饮水量和浓缩程度影响很大通常以肌酐浓度做归一化更合理。分析前是否需要对数据进行对数变换或者Pareto缩放取决于后续用的统计模型和数据分布。总的原则就一条预处理管线一旦定下来就不能根据哪种方法能P值更小反复切换那是自欺欺人。5. 统计筛选与通路解读火山图之外的证据链5.1 差异代谢物筛选不能只看P值也不该只盯VIP代谢组学差异分析中最常见的两个误区一个是只看P0.05不校正多重检验另一个相反只看OPLS-DA里的VIP值大于1完全忽略单变量检验。正确的做法是把两者的信息结合起来看再叠加效应量。单变量方面各家习惯用FDR控制错误发现率设定FDR小于0.05同时给出差异倍数倍率变化。代谢组学效应通常偏小固定设定|log2FC|至少大于等于1即倍数变化大于2可能把真实变化但幅度小的代谢物全筛掉所以还应结合代谢物本身的生物学角色来判断。OPLS-DA这类多变量模型的VIP可以用于排序和变量筛选但它不能替代显著性检验。一个高VIP但组间重叠极其严重的代谢物并不能可靠地区分疾病与对照。理想的做法是三重门槛多变量重要性VIP1或按排列检验得到的阈值、单变量显著FDR0.05、以及倍率变化或效应量达到设定标准。三者的交集是候选代谢物这样既控制假阳性又保留生物学可解释的差异。5.2 OPLS-DA的过拟合交叉验证和置换检验必须亮相OPLS-DA的优点是把组间差异集中到一个预测主成分上模型解释率看起来很高但也正因为如此它极易过拟合。尤其是样本量小、特征维度动辄几千时模型在训练集上的区分效果可能好得不真实。所以提交结果时交叉验证参数Q2和置换检验结果必须一起呈现。一个严肃的高分评审会看Q2是不是明显大于零、有没有接近R2置换检验里模型在随机打乱标签后是否依然能保持判别力。这些内容最好不要省因为省掉的数据在审稿人眼里就是没有做过。5.3 通路富集是解读利器但也是一把双刃剑把几十个差异代谢物丢进KEGG富集得到几个显著通路是当前最多见的分析展示方式。但代谢物层面的通路富集有天然局限数据库里能注释到通路的代谢物占比不高许多重要化合物特别是一些修饰过的脂质根本不在经典通路里不同版本数据库注释不一致通路富集算法会把那些恰好收录了很多代谢物的大通路变成常驻嘉宾。所以与其把整个富集表格都放上来不如先把结果当线索再去考察通路内部的酶、底物和产物关系。你在论文里真正想讲的应该是我们看到疾病组中某类代谢物堆积而这个代谢物的上游降解酶在同一批样本中的转录本水平显著下调这种有方向的通路叙事远比一整页KEGG气泡图打动人心。5.4 代谢物和基因如何联动一个实操思路把代谢组学和转录组学放在同一批样本上时最简单的联动方法是看酶—底物逻辑。假设某脂肪酸在疾病组升高那就去转录组里查负责该脂肪酸beta氧化的关键酶比如某脱氢酶的表达量如果它同时下降就形成了一个完整的推理解释酶少了氧化分解减弱脂肪酸积累。同一个方向的变化可能来自上游转录调控也可能来自底物抑制还可能是翻译后修饰。因此不能只报告相关性还要在后续的细胞实验里验证。方向性比相关性重要机制一致性比单纯相关性显著重要这句话值得写在工位上。6. 机制闭环从关联描述到因果论证的三个验证层次6.1 为什么只做组学描述撑不起一区Top我见过很多代谢组学论文把所有精力花在差异代谢物列表加通路富集图上到了机制部分就一句话带过说这些通路可能参与了疾病的发生发展。可能两个字一出审稿人的标准立刻提高三档到底是因还是果是伴随状态还是驱动机制代谢物变化能不能通过干预改变表型一区Top对机制的容忍度也在不断收紧。现在已经很少看到没有实验闭合纯粹靠组学相关发高分的文章。原因并不复杂组学本质上只能提供横断面或纵向的相关信息相关可以提出假说但只有干预或分子实验才能验证假说。想拿到高分必须在力所能及的范围内做机制闭环哪怕只是把一个关键代谢物在体外模型中的因果作用做透。6.2 三角验证细胞、动物、临床样本三站式闭环我称它为三角验证分别对应三个层面。第一站是体外模型用疾病相关的细胞模型比如高糖培养、炎症因子刺激、基因敲低在培养基和细胞内检测目标代谢物是否随干预发生同样的变化。如果代谢物的变化依赖于某个酶的活性可以用抑制剂、小干扰RNA或过表达质粒来操纵该酶观察代谢物随之变化的方向这一步直接给出分子因果。第二站是体内模型尽可能在动物模型上做一轮饮食、药物或遗传干预证明目标代谢通路的操纵能够影响代谢表型或疾病指标。不是每个课题组都条件做动物实验但如果条件允许动物实验的权重在审稿中非常重。退而求其次利用公开的、已有药物干预的数据集也可以只是证据级别要降低一档。第三站回到临床样本把关键代谢物与临床指标、预后事件做关联分析证明体外和体内机制在人类队列中存在对应关系。这三站合上机制链就形成了闭环分子实验给出机制方向动物实验给出体内验证临床样本给出转化关联每一步相互印证共同构成一篇文章的主体骨架。6.3 资源有限时怎么补至少做到哪一步做不了动物实验的情况在普通课题组很常见这时至少要完成体外实验靶向定量验证临床关联三件套。体外实验能回答核心因果靶向定量证明非靶向结果不是技术产物临床关联说明这种代谢改变和症状严重度或预后相关。虽然冲击顶刊仍有缺口但很多一区期刊愿意接受这种程度的闭环前提是体外机制足够清晰。另一个通用的补救手段是做敏感性分析在校正用药、病程、合并症后核心代谢物与临床表型的关联依然稳健这在审稿阶段能堵住很大一部分混杂因素的质疑。6.4 组学结果有哪些关联不能直接说成因果代谢组学文章里最容易被审稿人挑刺的是把相关性说成因果。某个代谢物和某个临床指标显著相关不代表前者驱动后者。两者可能都受第三个因素影响可能是下游代偿效应也可能是反向因果。写作时要把这些可能性正面摆出来讨论承认局限反而会让审稿人觉得可信。根据我个人的经验审稿人最反感的不是没做机制实验而是明明只做了相关却在摘要里偷偷用因果性语言来表述。结论里说一句本研究提示某代谢通路可能参与疾病进展和直接说某代谢通路驱动疾病进展评价完全不同。措辞的分寸其实反映出研究者对数据的理解深度。7. 成稿与投稿把研究翻译成因一区编辑喜欢的样子7.1 模型构建要有节制ROC不是万能药代谢组学研究里常规操作是筛出几个代谢物做个逻辑回归或随机森林画一条ROC曲线AUC达到0.9然后宣称发现了新的诊断标志物组合。问题是这类模型在训练集里做十次能做出十个不同的组合AUC都很好看但到独立验证集里往往直线掉到0.7以下。审稿人对自卖自夸的ROC非常敏感。如果你确实要做诊断或预测模型至少要满足三条变量筛选在发现队列完成验证队列只用于评价不用于重训模型必须做交叉验证并报告敏感性和特异性结论不能是我们用三个代谢物完美区分疾病与健康而是在独立队列中该模型的判别能力优于现有常规指标这一层级的表述。模型只是工具不是故事本身。7.2 主图的叙事线一张图接一张图地讲完研究链条高分论文的图片语言有很强的叙事逻辑。主图通常按研究概览和队列设计—组学筛选结果—差异代谢物与通路—多组学/机制整合—实验验证—模型/总结这样的顺序排布。每张图回答一个子问题图与图之间的顺序就是论证的顺序。我看到过一些论文犯的常见错误第一张主图就想把火山图、聚类热图、富集气泡图、ROC曲线全部堆上指望审稿人自己在信息洪流中提取重点结果适得其反。更理想的策略是一图一事复杂的结果拆到补充图里主图只保留承载结论的关键证据。图片和图表标题也要做到让人不读正文也能理解图里在比较什么、用了多少样本、统计方法是什么。图题的一句话里如果必须出现可能潜在这类词越多说明证据链越不扎实。7.3 摘要怎么写得让编辑三十秒内看懂重点高分论文摘要的四句话结构非常清晰第一句交代临床问题或疾病负担第二句说明做了什么层面的研究何种队列、何种组学、何种验证第三句给出最核心的发现通常是具体通路或代谢物名而不是我们发现了一些差异代谢物这种空话第四句点明临床或生物学意义。全文300字上下反复删改到没有一个句子是可有可无的。对代谢研究尤其适用的一条经验摘要里只写非靶向代谢组学发现差异代谢物是不够的要把最有推广价值的那个发现亮出来。如果文章最大的贡献是揭示了某个代谢通路的失调和预后相关那就直接写这个结论不要拿一堆代谢物的名单稀释重点。7.4 审稿人最爱挑的矛盾点和高频问题审稿意见类型常见措辞回应思路样本量和效应量质疑样本量较小补充功效分析、独立验证队列结果、效应量置信区间混杂因素不足未校正关键协变量补多因素回归、倾向性评分匹配或敏感性分析机制验证不足缺乏功能实验补体外干预实验或引用已发表干预研究并明确说明本研究证据边界注释可靠性存疑代谢物鉴定证据不足附上靶向验证结果、标准品共洗脱或MS/MS谱图匹配细节模型过拟合AUC可能被高估展示交叉验证和独立验证队列的判别性能8. 写在最后这份高分模板真正值得复制的部分看完这篇论文我最想强调的其实不是某个统计方法有多高级也不是某个图形画得多么精致而是一种思路的转换——把代谢组学从筛差异的工具升级为回答临床生物学问题的证据链。我知道并不是每个课题组都有条件复刻一区Top级别的配置大规模独立队列、全套功能实验、充足的靶向验证预算这些都是现实门槛。但有一点是所有人都可以立刻开始做、而且不需要额外预算的从下一个课题开始先写下一个具体的临床问题然后认真判断你手的样本能不能回答它、需要什么样的队列和质控、机制环节至少能做到哪一步。动手设计之前先想清楚这三件事你就已经领先于很大一部分先跑数据再说的项目了。如果再让我给一条细节建议那就是保存好每一条样本的采集记录、质控信息和预处理代码。高分论文拼到最后拼的就是谁能把数据链条的每一个环节都展示给读者。你多严谨一点审稿人挑刺的空间就少一点你的补充材料多写一点方法细节文章的可信度就高一点。好了下次再看到这类带着争议的高分论文先别急着评论值不值。点开补充材料翻到方法学部分数一数质量控制、样本信息、统计细节占了多大篇幅——那才是真正决定一篇代谢研究能走多远的地方。