企业官网建设流程全解析

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。

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。

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P<0.05，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（VIP>1或按排列检验得到的阈值）、单变量显著（FDR<0.05）、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

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。