新闻资讯

队列专题 | 组学样本量怎么定?按研究目的拆解三套逻辑

2026-11-20
中科新生命多组学服务
9

APTBIO

队列专题

👥

做组学队列,被审稿人问得最多的就是“样本量怎么算的”。很多人直接套两组均值比较公式,但组学是数千变量同时检验,传统公式在这里基本失效。组学样本量其实和研究目的有关,下面按三类常见的研究目的,把推导思路、EPV完整手算、功效算例等分别阐述清楚。



一、为什么传统样本量公式不够用


传统公式假设单一终点、固定效应、已知方差,回答的是“两组均值差能不能检出”。组学是几千个变量一起检验,多重比较会提高对样本量的要求;变量数远多于样本数时,传统功效计算直接失效。另外,组学的高维数据结构、变量间的相关性、非随机缺失,都是传统公式并未覆盖的现实情况。其中缺失问题尤为突出:低丰度蛋白检测不到大多并非随机缺失,但会直接干扰研究对真实效应大小的检出能力。所以组学的样本量,先要回答“这项研究的目的,再谈公式。



二、三套样本量逻辑,按研究目的走


组学队列要收多少人,取决于这项研究想解决什么问题,目的不同,约束条件完全不同。

1)预测模型:决定样本量是EPV而非总人数决定

构建预测模型时,真正约束样本量的并非总样本人数,而是事件数,对应 EPV(Events Per Variable,每个变量对应事件数),这是逻辑回归类预测模型广为使用的经验准则。很多人容易混淆 “事件”和“变量”,这里举个例子说明:比如我们构建模型预测住院患者是否发生院内感染,模型纳入的预测因子为年龄、基础疾病、白细胞计数、最高体温、体温波动幅度等;而事件指患者最终是否发生院内感染这一结局。那么EPV定多少合适呢? Peduzzi 等用逻辑回归做模拟[1]时就给出了EPV≥10的经验线。当样本里事件太少,回顾系数会偏移,例如模型在自己队列 AUC 0.85,到外部队列 0.65,这就是过拟合的典型表现。

图1 EPV 对回归系数相对偏倚的影响[1]


2)发现/差异分析:基于预期 fold-change、CV与目标 FDR反推样本量

当研究目标仅为差异筛选而非构建预测模型时,样本量估算可基于统计功效思路,基于预期的 fold-change、CV、目标 FDR 反推样本量。所谓统计功效(Power = 1- β)就是真有差异时,能够正确检测到它的概率,研究中通常设定为80%,也就是 80% 的检出把握。

开题阶段尚无法预知本体系中具有生物学意义分子的变化幅度:部分蛋白组间差异可达数倍,也有大量功能分子仅存在小幅改变,同时变异系数(CV)水平未知。因此,功效分析所需预期 FC 与 CV 按如下原则设定:优先采用本项目小样本预实验(20–30 例)实测获得 FC 与 CV;若无预实验条件,则参考相同样本基质、相同检测平台的公开文献取值。不同样本类型、检测平台带来的波动差异很大,切忌直接套用其他生物学体系的 CV 数值。  

例如 Zhou 等[2]建立了一套血浆蛋白组研究的样本量评估范式:先实测并扣除技术方差,获得个体内、个体间生物变异,再基于预期效应量开展先验功效分析。计算表明:当设置 2 次技术重复、统计功效 0.8 时,每组 3 例受试者仅可稳健检出变异最低 70% 蛋白的 2 倍差异(即 FC=2);若要覆盖大多数蛋白,作者推荐每组至少 6 例。

表1 各组所需预估样本量


3)机制/靶点:可重复性优先,宁少勿杂

此类研究的样本(如细胞模型、同质性很高的家系样本、高度匹配的小队列)重点不在于人群标志物筛查。此时优先保证样本同质性:控制年龄、性别、用药、采血时间等混杂因素,宁可样本量不大、背景干净,也不要盲目扩样,引入大量不可校正的混杂噪声。



三、EPV 完整手算:事件数 = 变量数 × EPV


图2 样本量基于事件数示意图

公式很简单:

所需事件数 = 预测变量数 × EPV,所需样本量 = 所需事件数 ÷ 结局发生率

看具体场景:当你纳入的变量为15,EPV为5,结局发生率是 30%,那么:

事件数 = 15×5=75 个事件,样本量=75÷0.3=250例样本。

所以经常有人问:我收了 300 个病人,够不够?这个问题没法直接答,要看模型放多少变量、结局有多少事件。放 15 个预测因子、按 EPV=10 算,至少要 150 个事件;如果做的是 5 年死亡率、事件率约 20%,300 人里只有 60 个事件,EPV 才 4,模型很难稳。这种时候加人未必有用,更现实的做法是减少变量,或者把研究问题收窄。



四、差异分析的样本量:功效算例


发现阶段的差异分析用功效公式。独立两组比较 t 检验,每组样本量:

n ≈ 2 × (z_α/2 + z_β)² × σ² / Δ²

其中 α=0.05(双侧),power=1-β=0.80,z_α/2=1.96, z_β=0.84;σ 是对数尺度的标准差,Δ 是对数尺度的均值差。

举个具体算例:蛋白组差异分析,假设 FC=1.3(差异 30%),CV=0.25(变异系数),独立两组 t 检验,α=0.05(双侧),power=0.80。对数尺度下 σ ≈ sqrt(log(1+CV²)) ≈ 0.246,Δ = log(1.3) ≈ 0.262,标准化效应 d = Δ/σ ≈ 1.06。每组约 14 例(按公式向上取整)。

这是理想情况。如果 CV 升到 0.4,σ ≈ 0.385,d ≈ 0.68,每组要约 34 例(按公式向上取整)。如果同时做 FDR 多重比较(蛋白组常见 1000-3000 蛋白),有效检验量增加,按经验再加 30%–50% 的余量,约 44-51 例(经验性缓冲,非公式精确解)。

另外从公式可见,样本量与变异系数 CV 直接相关,更换检测平台,达到同等检出效能所需样本量会存在明显差异。预算有限的情况下,优化前处理、选择低 CV 平台,往往比单纯增加样本更划算。

各平台典型技术 CV 参考:SomaScan 约 5%,Olink 通常 10%–15%,DIA 质谱 15%–30%;CV 受样本、前处理影响,每个项目建议实测。实操上建议每换一个平台,先用 20–30 例样本开展预实验评估项目真实 CV,再代入公式确定正式实验样本量。



五、三个规模场景对比:小队列、中等验证队列、万人大队列


不同研究阶段对应的样本规模不同,看具体场景。


场景 A

发现阶段小队列(30-50 人/组)。机制探索、预实验、靶点初筛。EPV 通常不高(5-10),但允许在发现阶段用宽松阈值(p<0.05,不做 FDR)做信号探测。多组学发现队列 500-1,000 人可视为这一档的上限。这个阶段的产出是"候选蛋白清单",不进临床。预算花在覆盖度上,不花在样本量上。



场景 B

验证阶段中等队列(300-3,000 人)。用于候选蛋白独立验证、内部交叉验证、初步外部验证。EPV 一般要求 10 到 15 以上。这个阶段要求 FDR(q<0.05)控制假阳性,开始训练临床可用模型(5-20 蛋白做稀疏预测)。CKB 的蛋白子队列2,006 人[5]与代谢子队列2,183 人[6]按规模落在这一档:中等规模样本配合 FDR 校正足以稳定识别关联信号,不过要说明一点,这两个队列样本量是队列既有规模,并非按功效公式反推得到。Carrasco-Zanini 2024 用 41,931 人[4]做稀疏预测属大型验证。预算花在样本量 + 平台精度上。



场景 C

外部验证大队列(10,000+ 人)。UKB-PPP 5.4 万人、CKB 51 万人都是这类。EPV 远超 20,功效不再是大问题,重点转向泛化性:换人群、换平台、换时间窗口,结果还成不成立。预算主要花在人群多样性和随访完整度上。

你的研究问题处在哪个场景,决定了样本量的硬约束。预算分配可按此比例:发现 1/3、验证 1/2、外部 1/6 比较合理。



六、给审稿人的样本量说明


写明依据:EPV 还是功效,对应的效应量假设是什么。顶刊方法学附录通常要求你给出样本量推导。附一条敏感性分析,不同效应量下的功效曲线,说服力会强很多:你标出“若真实效应只有假设的一半,功效掉到 60%”,比只给一个点更诚实,也更能挡住审稿人的追问。

实际规模参考: 2024 年 Nat Med 的风险预测建模用了 41,931 人[4];2025 年CKB 的蛋白子队列2,006 人[5] 和2025年代谢子队列2,183 人[6] 是发现阶段的中等样本范式。发现阶段可以中等样本,但验证阶段必须上大队列,这是顶刊的隐性门槛。



参考文献 


[1] Peduzzi P, Concato J, Kemper E, Holford TR, et al. A simulation study of the number of events per variable in logistic regression analysis[J]. J Clin Epidemiol. 1996;49(12):1373-1379.

[2]Zhou C, Simpson KL, Lancashire LJ, et al. Statistical considerations of optimal study design for human plasma proteomics and biomarker discovery[J]. J Proteome Res. 2012;11(4):2103-2113.

[3]von Elm E, Altman DG, Egger M, et al. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies[J]. J Clin Epidemiol. 2008;61(4):344-349.

[4]Carrasco-Zanini J, Pietzner M, Davitte J, et al. Proteomic signatures improve risk prediction for common and rare diseases[J]. Nat Med. 2024;30(9):2489-2498

[5] Iona A, Wang B, Clarke J, et al. Associations of 2923 Olink proteins with demographic, lifestyle, environmental and health characteristics in middle-aged Chinese adults[J]. Eur J Epidemiol. 2025;40(10):1205-1220.

[6] WU T, SONG S Y, PANG Y J, et al. Associations of plasma metabolites with mortality in Chinese adults: a prospective study[J].2025, 46(4): 557-565.



中科优品推荐

【中科新生命】的多组学服务业务可为各位研究者提供详细的“实验设计、样本检测、生信分析、数据解读与挖掘”等工作,为您深入进行科学研究,发表高分文章,为后续临床转化奠定基础。






关于中科新生命



上海中科新生命生物科技有限公司(APTBIO)创立于 2004 年,由原中国科学院上海生命科学研究院蛋白质组研究中心孵化而来,是国内质谱多组学应用领域的开拓者。公司以 “AI + 质谱多组学” 双核驱动创新,构建智能化组学生态。拥有自主知识产权的质谱检测平台与 AI 大数据分析系统,聚焦科技服务、生物医药及大健康消费三大领域,为全球科研机构、医院、药企提供从基础研究到临床转化的一站式解决方案。融合多组学技术与人工智能,围绕生物标志物发掘、药物靶点筛选及个性化诊疗等方向,构建具有国际竞争力的组学数据库与算法模型,推动转化医学进程,加速创新药物研发,成为推动生命科学数字化升级的核心引领者。