最近好多朋友私信问我，做geo生信分析，到底要凑多少个样本才够？有的说3个，有的说10个，还有的直接甩过来几百个数据让跑。听得我头都大了。说实话，这问题没有标准答案，但绝对有“坑”。
咱们先说个大实话：样本量不是越多越好，也不是越少越省事儿。关键在于你的研究目的。你是想做个简单的差异表达，还是想搞复杂的机器学习预测模型？这两者对样本的要求，简直是天壤之别。
如果你只是做基础的差异分析，比如看看处理组和对照组基因表达有啥不一样。那通常每组至少3到5个生物学重复是底线。为啥？因为生物实验本身就有噪音。你只测一个样本，那叫个案；测两个，那叫巧合；测三个以上，才能看出点规律。少于3个，统计检验根本跑不通，P值算出来也是废纸一张。这时候，别心疼钱，多测几个重复，比啥都强。
但如果你是想做“geo生信预测需要多少样本”这种高阶操作，比如构建诊断模型、预后模型，或者用机器学习算法去筛选标志物。那要求就变态多了。
我见过太多人，拿着20个样本去跑随机森林，结果模型在训练集上准确率99%，一到测试集就崩盘。为啥？过拟合啊！样本太少，模型把噪音当信号学了。这时候，你问“geo生信预测需要多少样本”，答案通常是：越多越好，至少几十上百个起步。
我有个客户，之前拿着15个肿瘤样本和15个正常样本，非要搞个多基因预后模型。我劝他别急，他非说网上有人这么干。结果呢？模型建出来，交叉验证一跑，R平方值低得可怜，发表的时候审稿人直接拒稿，理由就是样本量不足，统计效力不够。这事儿闹得挺不愉快，我也跟着上火。
所以，到底多少才算够？
第一，看数据源。如果是自己测序，预算允许，每组至少6-10个重复。如果是用公共数据库GEO里的数据，那就得拼凑。这时候，“geo生信预测需要多少样本”就变成了一个整合策略问题。你得从多个GSE数据集中，找到同一种疾病、同一平台的数据，合并起来用。合并后的总样本量，建议至少达到50-100个以上，才具备构建预测模型的统计效力。
第二，看特征数量。如果你要预测的基因有1000个，样本只有20个，那肯定是过拟合。样本量最好要是特征数量的10倍以上，这是经验法则。虽然生物数据高维低样本是常态，但尽量往这个方向靠拢。
第三，看外部验证。这是最容易被忽视的。你内部数据建了模型，必须去另一个独立的数据集里验证。如果内部样本量小，外部验证样本量也得够。不然，你的模型就是个空中楼阁。
我真心建议大家，在做预测类分析前，先算算账。别盲目追求高大上的算法，先看看手里的牌够不够。如果样本量实在不够，那就老老实实做差异分析，或者找更多的公共数据来补充。别为了发文章，硬凑数据，最后做出来的东西经不起推敲，丢的是自己的脸。
还有，别信那些“包过”的广告。生信分析的核心是逻辑和统计，不是套模板。样本量不够，神仙也难救。
如果你现在手头数据不多，拿不准能不能做预测，或者不知道怎么整合GEO数据来凑样本量，欢迎来聊聊。咱们可以一起看看你的数据情况，定个靠谱的方案。别走弯路，省钱又省心。
