做数据处理时，最让人头疼的就是异常样本了。这些样本像个卧底，悄悄把一批数据拖进坑里。无论是测序过程中的污染、细胞死亡还是提取失败，都可能导致GC含量和比对率突然“跳票”。还有一个问题就是常规统计量对异常值非常敏感，直接删除可能会给后续实验带来麻烦。所以，与其单纯追求数据量，不如先学会识别异常样本，把资源留给真正的有效数据。 异常样本有很多特点可以让我们快速识别。GC含量的波动超过5%或10%是个信号；比对率低于组内中位数的20%时也要警惕；表达量要么完全没有（counts=0），要么高得吓人（FPKM超过10000）；菌群构成突然变化；单细胞中线粒体比例失衡；PCA图形中孤立出现等等。 聚类树可以帮助我们先画出家族图谱，再找出叛逆者。通过层级聚类或PCA生成的树状图能一目了然地看到离群点。但是要注意，没有绝对的阈值，需要经验和后续验证来校准。 Z-score是一个很好的方法来判断数据偏离正常范围多少倍标准差。比如用R语言代码实现这个功能：模拟一组数据，有一个10是异常值，计算每个数的Z-score并四舍五入。再用MAD计算稳健中位数绝对偏差，然后用这个值计算每一个数的Z-score。最后用这个Z-score大于3倍标准差来判定异常值。 这个思路还可以扩展到样本间相似度的检测上：用Pearson或Spearman算出相关系数矩阵行均值和列均值双低的情况就是离群点。再结合聚类树和PCA进行交叉验证，这样误杀率就会降低很多。 Z-score不仅用于清洗数据，还可以美化热图：把原始计数转化为Z值并按行标准化后给热图上色，就能突出组内差异。颜色选择对数正态或蓝色系时能一眼看到“爆红”或“墨绿”的异常样本。 综上所述，处理异常样本可以分成三步曲：先画树或PCA图形标出可疑孤岛；再计算稳健统计量如MAD来计算Z-score；最后结合聚类、相关系数、PCA进行交叉验证三票离场。这样就能在实验初期挡住污染、失败和伪差异等问题，让后续分析跑在高质量数据上。