基于R語言的醫學院校生物信息學專業統計課程教學探索

段巍巍 成佳雯 呂颯麗

關鍵詞：R語言;統計學;生物信息學;教學

21世紀以來，隨著生物醫學研究技術的蓬勃發展，生物醫學相關領域，包括臨床醫療、公共衛生、生物學、環境監測等，產生的多層面數據出現井噴式增長。生物醫學數據的分析離不開生物醫學、計算機科學、數理統計學和信息科學等多個領域的交叉融合。而生物信息學（bioinfor-matics）就是在生物組學數據爆發增長的基礎上應運而生的一門新興交叉學科。它包含了對核酸（DNA、RNA）和蛋白質的序列和結構信息的獲取、整理、存儲、分析和解釋等多方面內容，用以揭示生物體生理病理過程的分子機制，探索生命奧秘。生物信息學算法的開發為后續分析提供強大的技術支撐，而概率統計構成了大多數軟件算法的理論基礎。

統計學作為一門收集、整理、分析數據的一門科學，已經廣泛應用到生物醫學研究的各個領域，包括生物信息在內的生物醫學相關專業的基礎課程。以筆者所在專業為例，主要設置了概率論與數理統計、生物統計和多元統計三門課程，亦會在后續專業課中穿插講解生物信息領域主流的統計學方法。然而，與其他醫學基礎課程不同的是，統計學教學過程中不可避免地涉及復雜的公式和抽象的定義，這成為針對醫學院校學生的教學難點。針對這一共性問題，很多學者給出了一些解決方案，較為一致的觀點就是充分利用統計學軟件的數據模擬和圖形可視化功能。本文將借助于R語言強大的數據模擬和繪圖功能對統計教學支撐做了初步探討，并給一些應用實例和建議。

一、R語言介紹

R語言是一種專門用于統計分析和作圖的編程語言和軟件環境。相較于其他權威商業化統計軟件，如SAS、STATA、SPSS，R語言具有小巧、免費、開源、易擴展、功能強大、接口豐富和更新快等諸多優勢，尤其是其強大的圖形可視化功能讓人津津樂道。不僅如此，R語言擁有豐富的幫助文檔、強大學者交流社區資源，使得初學者更容易上手;此外R語言還可以直接調用c、c++或Fortran語言進行分析。這一系列優良的特點使得它不僅在科研領域里叱咤風云，近些年在國內外教學領域里也得到廣泛的重視和應用。R語言中的統計教學常用模塊包括：分布函數、統計函數、數據管理、統計作圖和統計分析。然而現有R語言的上機教學主要傾向于統計方法在數據展示和分析中的應用（包括統計繪圖、基本統計分析、回歸、聚類分析等），較少講解軟件的統計模擬應用，而這一部分對于學生升入理解統計學的抽樣理論大有裨益。

二、R語言和生物信息學

醫學類院校的生物信息學專業培養的生物信息人才應具有堅實生物醫學理論基礎和扎實生物信息學分析技術，可快速服務于精準醫學產業。而完成這樣的目標必不可缺的就是計算機實踐教學，其中R語言又是生信分析最主要的工具之一，它廣泛應用于基因組、轉錄組、表觀遺傳組、蛋白質組、代謝組等各個組學數據的分析。例如，用ShortRead程序包對RNA-seq數據的序列質量進行評估，使用DESeq2包進行差異表達基因的篩選，使用clusterProfile包進行基因功能富集分析。還有針對腫瘤研究領域特定問題的R包，如基于轉錄組數據計算樣本腫瘤純度的Estimate包。此外，各生信相關R包還自帶有豐富的可視化模塊。

三、R語言輔助統計教學的探索和實踐

當前統計學課程教學過程中依然存在諸多問題，其中一個典型問題是：與其他醫學課程相比，統計學本身深奧的理論知識和抽象的概念增加了學生的學習難度，降低了學習興趣。醫學院校的統計教學通常對統計理論的推導不作要求，更多的是要求學生能夠理解基本概念和相關理論并靈活運用統計方法。而充分利用統計軟件進行教學輔助可以在很大程度上解決概念抽象化的問題，有助于培養學生的統計學思維。針對此，相關研究者提出開發模擬軟件用以驗證統計學的一些概念和抽象理論。此外，R語言中亦有輔助統計教學的R包，如TeachingDemos包、animation包。然而，這些封裝好的軟件或函數并不利于學生對統計概念或方法的深層次理解，不利于學生編程能力的培養。

該數據模擬步驟展示了統計量的隨機屬性，驗證了中心極限定理的內容，對于學生難以區分的標準誤和標準差概念亦有很好的說明。學生還可以自行更改樣本量的大小來查看標準誤與樣本量的關系。相對于理論推導各種抽樣分布，使用數據模擬的方式驗證理論結果更容易讓數學基礎薄弱的同學們接受。上述代碼可以封裝成更為“專業”的自定義函數，但我們認為這不利于學生通過每一步代碼來深刻理解抽樣分布的概念。

實例2：可信區間的含義

參數的可信區間（置信區間）估計是總體參數估計的內容之一，表示按照一定的可信度（1-d）用一個區間來估計總體參數所在范圍。以正態分布總體均數的95%可信區間估計為例，其計算公式比較簡單。然而在學生學習過程中，真正的困難在于理解可信區間的含義。在算得某總體參數的95%可信區間，學生會誤以為“有95%的總體參數在該區間內”或是“總體參數有95%的可能落在該區間”。在總體方差已知時，總體均數95%可信區間為由于x是隨機變量，因此該區間是一個隨機區間。當根據手頭樣本來計算可信區間時，此時的x就是確定的常數，該區間就變成了一個固定區間，其是否包含總體均數就不再是隨機事件了。因此，95%這個可信度是針對于構建可信區間的方法而言的，而非針對某一個已估計出來的區間。可以通過R代碼的方式來解釋該概念：

從圖中可以看出，基于100次重復抽樣算得總體均數100個可信區間，有95個區間包含了總體均數0，還有5個不包含，即95%的可信度允許有5%的錯誤。而實例分析中基于手頭隨機樣本算得的95%可信區間，就可以認為是圖中100個區間的某一個，該區間要么包含總體均數要么不包含，二者必居其一，是確定性事件。學生就能清晰地認識到實例中算得的一個區間，其背后對應的是重復抽樣的思想，而可信度是從整體角度評價方法的可靠程度。

四、結語

統計學課程本身的特點使得學生在學習過程中存在各種各樣的困難，而如何讓學生學好統計、對統計學感興趣，還需要統計教育工作者不斷探索和努力。在統計教學中引入專業的統計軟件——R語言，借助于其強大的模擬和繪圖功能，通過程序設計將統計中晦澀難懂的概念和方法程序化、可視化，從而促進學生的學習和理解，激發興趣，同時也有助于提升學生的統計編程能力、解決實際問題的能力。正是由于R語言、統計學和生物信息學環環相扣的關系，在統計學課程中開展R語言上機實驗課程不僅可以輔助于統計教學，也可以為后續生物信息學各專業課的學習打下實踐操作基礎。