人群队列研究
多组学解决方案

2。" data-en="The value of dual-omics integration is reflected in several levels: 1) Cross-validation — markers found by both methylation and proteomics for the same phenotype have a much lower false positive rate than any single omics; 2) Mechanistic connection — methylation is upstream regulation, proteomics is downstream functional execution, and integrated analysis can construct a regulatory chain of "methylation → gene expression → protein → phenotype" to explain the mechanism; 3) Improved prediction performance — prediction models built by integrating multi-omics data usually outperform single-omics models due to richer information dimensions; 4) New discoveries — some markers only have signals at one omics level, but through integrated analysis, new regulatory relationships and mechanistic pathways can be discovered. Simply put: 1+1 > 2.">双组学联合的价值体现在几个层面：1）交叉验证——同一个表型，甲基化和蛋白组都找到的标志物，假阳性率远低于单一组学；2）机制串联——甲基化是上游调控，蛋白组是下游功能执行，联合分析可以构建"甲基化→基因表达→蛋白→表型"的调控链，解释机制；3）预测性能提升——整合多组学数据构建的预测模型，性能通常优于单一组学模型，因为信息维度更丰富；4）新发现——有些标志物只在其中一个组学层面有信号，但通过联合分析可以发现新的调控关系和机制通路。简单说就是：1+1 > 2。

甲基化年龄（也叫表观遗传时钟）是基于基因组特定位点的甲基化水平计算的生物学年龄，它反映的是细胞和机体的真实衰老状态，而不是日历年龄。在队列研究中，甲基化年龄有非常重要的应用价值：1）作为衰老相关疾病的风险因子——甲基化年龄加速（biological age > chronological age）的人，慢病和死亡风险更高；2）作为干预效果评估的终点——比如生活方式干预、药物干预是否延缓了衰老，可以用甲基化年龄变化来评估；3）作为混杂因素校正——年龄是几乎所有疾病研究的重要混杂因素，用甲基化年龄比日历年龄更精准。我们自主开发的CpG时舟工具支持7+种主流时钟模型的一键计算。

表观星图是我们基于EPIC 935K甲基化芯片平台，为多家科研单位提供大队列甲基化检测与EWAS分析技术服务的项目集合。截至目前，已累计服务50,000+例人群样本，覆盖中国科学院、复旦大学等数十家科研机构的人群队列研究项目，涉及多个地域、多个年龄段、多种疾病表型。通过这些项目，我们积累了：1）成熟的大样本实验技术——从样本处理、芯片检测到质量控制，有标准化的操作流程和严格的质控体系；2）丰富的EWAS分析经验——支持病例对照、出生队列、纵向队列等多种研究设计的全流程分析；3）完善的高级分析能力——包括多表型关联、孟德尔随机化因果推断、甲基化时钟、机器学习预测模型等；4）规范的大型项目管理——数千至上万例样本的队列项目，样品管理、数据管理、项目进度均有完善的保障机制。如果你的研究也涉及大队列甲基化检测与EWAS分析，我们成熟的技术服务体系可以为你提供有力支撑。

这取决于样本量和技术平台。以甲基化芯片为例：500例以内，从样本接收到出标准分析报告大概2-3周；1000-2000例，约4-6周；5000例以上的超大队列，我们会分批次处理并行推进，总周期大约2-3个月。Olink蛋白组的周期类似：几百例样本2-4周，上千例4-6周。多组学联合项目的周期取决于最慢的那个技术平台，分析部分可以并行。如果有时间要求，我们可以提供加急服务，具体可以咨询项目对接人。

大队列项目的数据量很大，我们有规范的数据管理流程：1）样本信息管理——每一份样本都有唯一编号，全程可追溯；2）数据质量控制——每批次都有QC样本，不合格样本和数据会标记并沟通；3）数据交付形式——原始数据（idat/raw data）+ 标准化分析报告 + 交互数据可视化，通过加密云盘交付，支持大文件高速下载；4）数据安全——签署保密协议，数据仅用于该项目，不对外泄露；5）随访数据整合——如果有临床/随访数据，我们可以协助整合到分析中。对于超大队列项目，我们还可以提供定制化的数据管理平台。

我们提供从研究设计到数据交付的全程技术服务支持：1）研究设计阶段——免费提供技术咨询，包括技术平台选择、样本量估算、实验设计建议、对照组设置等；2）实验阶段——样本接收与质检、高通量检测、严格的质量控制；3）数据分析阶段——标准分析 + 定制化分析（EWAS、MR、机器学习、多组学联合等）；4）结果解读阶段——提供分析报告解读会，帮助理解结果和后续研究方向建议；5）后续支持——论文数据整理、补充分析、新课题设计讨论等。我们的团队包括实验技术专家、生信分析专家和项目管理经理，确保项目从设计到交付全程顺畅。

对于大样本人群队列研究，SNP芯片往往是更经济高效的选择，原因主要有：1）成本效益——SNP芯片的单样本成本仅为全基因组测序（WGS）的1/5到1/10，同样预算下可以覆盖更多样本，而GWAS的统计效力高度依赖样本量；2）数据质量稳定——SNP芯片经过充分验证，基因分型准确率高（>99%），批次间一致性好，适合大队列研究；3）分析成熟度高——有非常成熟的GWAS分析流程和工具链，结果可重复性高；4）基因型填充——利用参考基因组面板（如1000G、HRC、UK10K），可将芯片位点填充到数百万甚至上千万个位点，基本满足常见变异关联研究的需求。当然，如果研究目标是发现罕见变异或结构变异，WGS仍是更优选择。对于大多数常见疾病/表型的大队列GWAS研究，SNP芯片是性价比最高的技术路线，UK Biobank、FinnGen、Biobank Japan等国际顶级队列均采用这一策略。

GWAS（全基因组关联研究）和EWAS（全基因组甲基化关联研究）都是大队列研究中寻找疾病/表型相关分子标志物的核心方法，但研究层面和生物学意义不同：区别：1）研究层面——GWAS研究DNA序列变异（SNP），是先天遗传的；EWAS研究DNA甲基化修饰，是后天表观遗传的，受环境、年龄、生活方式等影响；2）效应大小——GWAS发现的SNP效应量通常很小（OR多在1.05-1.2之间），需要超大样本量才能检出；EWAS的甲基化位点效应量相对较大；3）因果方向——SNP变异是疾病的原因还是结果相对明确（孟德尔随机化可以利用这一点）；甲基化改变更可能是疾病的结果或中间表型，因果推断更复杂。联系：1）都采用全基因组扫描+关联分析的研究范式；2）都可以识别疾病相关的生物标志物；3）可以通过孟德尔随机化（MR）等方法整合，进行因果推断。联合分析：完全可以，而且是当前的研究热点。常见的联合分析策略包括：1）meQTL分析——研究SNP对甲基化水平的调控关系；2）SMR（Summary-data-based Mendelian Randomization）——整合GWAS和EWAS汇总数据，鉴定通过甲基化介导的疾病风险位点；3）多组学联合建模——整合基因组、表观组、转录组、蛋白组等多层组学数据，构建更优的疾病预测模型。我们既有Illumina SNP芯片平台，也有EPIC 935K甲基化芯片平台，可以提供从单组学到多组学联合的完整分析服务。

完全可以。孟德尔随机化（Mendelian Randomization, MR）是利用SNP作为工具变量（IV）来推断暴露因素与疾病结局之间因果关系的方法，SNP芯片是获取SNP基因型数据的主要平台。MR分析的前提条件：1）有合适的工具变量——选择与暴露因素强相关的SNP作为工具变量（通常来自已发表的GWAS显著位点）；2）满足MR三大假设——关联性假设（IV与暴露强相关）、独立性假设（IV与混杂因素无关）、排他性假设（IV仅通过暴露影响结局）。样本量要求：样本量取决于研究设计：1）单样本MR（one-sample MR）——在同一个队列中同时有暴露、结局和基因型数据，通常需要几千到几万例样本，具体取决于暴露的SNP解释度和效应大小；2）两样本MR（two-sample MR）——暴露和结局的GWAS数据来自不同队列，这是目前最常用的方法，可以利用公开的大型GWAS汇总数据，不需要自己有很大样本量的队列，但对数据质量和工具变量选择要求更高。我们可以提供的MR分析服务包括：单样本/两样本MR、多变量MR、中介MR、MR-Egger/MR-PRESSO等敏感性分析、留一法验证、反向MR等。如果你的队列有SNP芯片数据，并且有感兴趣的暴露因素和结局表型，我们可以根据具体研究问题设计合适的MR分析方案。

粪便样本的采集质量直接影响肠道菌群研究结果的可靠性，大队列研究中尤其需要标准化操作：采集要求：1）采集新鲜粪便样本，避免尿液、水等污染；2）使用无菌采集器具，防止外源微生物污染；3）采集后尽快低温保存——推荐2小时内置于-20℃，24小时内转移至-80℃长期保存；4）记录详细的采集信息：采集时间、饮食记录、近期用药史（尤其是抗生素）、排便情况等。质量保证措施：1）使用标准化采集试剂盒——我们提供含有保护液的粪便采集管，可在常温下稳定保存72小时，适合多中心队列的样本转运；2）严格的样本质控流程——收到样本后进行外观检查、DNA提取质控（浓度、纯度、完整性），不合格样本及时沟通重采；3）批次随机化安排——病例对照均匀分布在各测序批次，避免批次效应干扰结果；4）设置阳性/阴性对照——每批次加入参考菌株和空白对照，监测实验过程的污染情况。我们有数千例粪便样本的大队列项目服务经验，可以提供从采集指导到结果交付的全流程质量保障。

16S rRNA测序和宏基因组测序是肠道菌群研究最常用的两种技术，它们在分辨率、信息量和成本上有显著差异：16S rRNA测序：1）原理——扩增细菌16S rRNA基因的高变区进行测序；2）分辨率——通常到属水平，部分可到种水平；3）信息量——只能获得物种组成信息，无法获得功能信息；4）成本——单样本成本较低，适合超大样本量筛选。宏基因组测序：1）原理——对样本中所有微生物的全部基因组DNA进行随机测序；2）分辨率——可到种甚至菌株水平；3）信息量——不仅能获得物种组成，还能获得功能基因、代谢通路、毒力因子等全面信息；4）成本——单样本成本较高，约为16S的3-5倍。大队列研究的选择建议：1）如果样本量非常大（5000例以上）且研究目标主要是菌群组成差异的初步筛选，可考虑16S测序作为初筛；2）如果样本量中等（1000-3000例）且希望获得功能层面的深入洞察，宏基因组是更好的选择，能够更准确地鉴定物种并获得功能通路信息；3）如果资源有限，也可以采用"两阶段"策略——先用16S在大样本中筛选差异，再用宏基因组在子集中进行深度验证和功能分析。目前国际上高质量的肠道菌群大队列研究（如MetaHIT、FinnGen肠道菌群项目）大多采用宏基因组测序，因为其更高的分辨率和更丰富的功能信息能带来更有价值的研究发现。我们同时提供16S和宏基因组测序服务，可以根据您的研究目标和预算推荐最合适的方案。