让模型理解 GEO 实验设计：样本分组训练数据怎么构建

2025 年 2 月，我开始记录一个生物信息自动化问题：能否根据 GEO 的 GSE 与 GSM 题录信息，自动识别合理的实验组和对照组？

表面上看，这是一个文本分类任务。真正困难的地方却是实验设计：两个比较组之间应尽量只保留一个主要变量，同时控制组织、细胞类型、处理时间、剂量、批次和技术平台等混杂因素。

先定义模型到底要输出什么

如果标签只有“实验组”和“对照组”，模型很容易记住疾病名称或常见处理词，却没有真正学会比较关系。

更合适的训练单元应当是一组可检查的比较：

{
  "gse": "GSEXXXX",
  "comparison_id": "C01",
  "factor": "treatment",
  "control_level": "vehicle",
  "case_level": "drug",
  "control_gsms": ["GSM001", "GSM002"],
  "case_gsms": ["GSM003", "GSM004"],
  "matched_fields": ["organism", "tissue", "cell_type", "time"],
  "confounded_fields": [],
  "evidence_fields": ["characteristics_ch1", "treatment_protocol"],
  "review_status": "human_verified"
}

这里最重要的不是字段名称，而是把“为什么可以比较”转换成结构化证据。

输入层：保留原始信息，也保留规范化结果

GEO 的样本描述经常是不一致的自然语言。同一种处理可能写成缩写、商品名、剂量或实验步骤。如果直接把所有文本拼接给模型，后续很难判断错误来自哪里。

我更倾向于保留两层输入：

原始层：Series 标题、总体设计、Sample 特征、来源、处理说明和平台信息。
规范化层：物种、组织、细胞类型、疾病、药物、剂量、时间、基因型、批次和重复类型。

规范化字段必须能够回指原文。模型抽取了“24 h”，就应同时记录它来自哪个字段、对应哪段文本。

分组理由应该保留，但不要写成长篇作文

最初的问题之一是：最终只需要分组结果，还有必要生成理由吗？

我的结论是理由仍然有价值，但不应把一段自由文本当作唯一监督信号。更可靠的做法是拆成：

本次比较改变了哪个变量；
哪些关键变量保持一致；
哪些字段支持这一判断；
是否仍存在无法消除的混杂；
模型对该比较的置信度；
人工是否复核。

这样既保留可解释性，也能让校验程序直接检查逻辑。

数据划分必须以 GSE 为单位

如果把同一个 GSE 中的 GSM 随机分到训练集和测试集，模型可能通过共享标题、平台描述或实验文本识别数据集，而不是学会实验设计。

因此，训练、验证和测试应尽量按研究划分：

一个 GSE 的全部样本
→ 只能进入训练、验证或测试中的一个集合

如果同一论文包含多个高度相关的 GSE，还需要考虑按论文、课题或研究系列进一步分组，避免近重复信息泄漏。

比直接端到端生成更稳妥的流程

我会把系统拆成四步：

元数据规范化
→ 候选比较生成
→ 约束校验
→ 人工复核

候选生成可以使用规则、语言模型或两者组合；约束校验则应尽量确定化，例如：

两组物种是否一致；
组织和细胞类型是否一致；
时间是否既是比较因素又被错误地当作匹配因素；
技术重复是否被当成独立生物重复；
每组样本量是否达到预设下限；
是否存在多个变量同时变化。

模型负责理解不规则文本，规则负责守住明确边界。

需要专门收集的失败样本

高质量训练集不能只有“明显正确”的比较，还要包含容易误判的负例：

药物和时间同时变化；
对照来自不同批次或不同细胞系；
disease 与 normal 的组织来源不一致；
技术重复被误当作生物重复；
同一 GSM 被错误放入比较两侧；
样本描述缺失，只能做低置信度判断；
只有一个样本，却被强行组成比较。

这些失败样本可以用来训练候选排序或校验器，也能更真实地评估系统。

评估不应只看样本分类准确率

这个任务的核心对象是“比较关系”，因此至少需要报告：

GSM 集合是否与人工标注一致；
比较变量是否识别正确；
是否引入额外混杂；
完整比较的精确率与召回率；
不确定样本能否正确拒答；
不同疾病、平台和实验类型之间的泛化差异。

最终还需要领域人员检查一批完整比较。自动指标再高，也不能替代对实验设计合理性的复核。

当前状态

当前成果是一套训练数据与验证方案，重点是变量抽取、候选配对、约束校验与研究级验证。

下一步最有价值的工作不是立即选择更复杂的模型，而是先建立一批边界清晰、能追溯原始元数据、包含困难负例的人工核验数据。