生信文献阅读与检索技巧（Literature Search & Reading for Bioinformatics）¶

# 基础搜索：直接输入关键词
metagenomics type 2 diabetes gut microbiome

# 布尔运算符（必须大写）
gut microbiome AND type 2 diabetes        # 同时包含两个概念
gut microbiome OR intestinal flora        # 包含任一概念
gut microbiome NOT mouse                  # 排除小鼠相关

# 字段标签搜索（限定搜索范围）
random forest[ti]                          # 只搜标题（Title）
Zhang Wei[au]                              # 搜作者（Author）
Nature[ta]                                 # 搜期刊（Journal）
metagenomics[tiab]                         # 搜标题+摘要

# 短语搜索（加双引号）
"gut-brain axis"                           # 精确短语匹配

# 通配符搜索（*代替0个或多个字符，至少4个字母开头）
metagen*                                   # 匹配 metagenomics, metagenomic, metagenome 等
"16S rRNA amplicon*"                       # 短语中也可用通配符

# 日期限制
gut microbiome AND 2023:2025[dp]           # 限定发表年份范围
gut microbiome AND "last 1 years"[dp]      # 最近1年

# MeSH主题词（医学主题词表，更精准）
"Gastrointestinal Microbiome"[MeSH]        # 用MeSH标准术语
"Diabetes Mellitus, Type 2"[MeSH Major Topic] # MeSH主要主题

# 组合高级搜索示例
("Gastrointestinal Microbiome"[MeSH]) AND ("Diabetes Mellitus, Type 2"[MeSH]) 
AND ("Machine Learning"[MeSH]) AND 2022:2025[dp]

# 邻近搜索（PubMed 支持的高级语法）
"random forest metagenomics"[tiab:~3]      # 两个词在标题/摘要中相距不超过3个词

# 精确短语搜索
"gut microbiome" "type 2 diabetes"

# 限定作者
author:"Rob Knight"

# 限定标题
intitle:"metagenomics pipeline"

# 限定来源（期刊名）
source:"Nature Medicine"

# 限定年份范围（左侧菜单或URL参数）
# 在搜索页面左侧可以选择时间范围

# 排除关键词
metagenomics -review -protocol

# 文件类型
metagenomics pipeline filetype:pdf

阅读顺序：
1. 标题 → 这篇文章研究什么问题？
2. 摘要 → 用了什么方法？主要结论是什么？
3. 图表 → 快速扫一遍所有 Figure 和 Table（不用看正文）
4. 结论 → 作者自己怎么总结的？

阅读顺序：
1. Methods → 详细的分析流程是什么？用了哪些工具？参数怎么设的？
2. Results → 每个图表对应什么分析？结果怎么解读？
3. Figures → 仔细看图注（Figure Legend），理解每个图的横纵轴、统计方法
4. Supplementary → 补充材料里通常有详细的分析参数和额外结果

阅读顺序：
1. Introduction → 研究背景和科学问题（为什么做这个研究？）
2. Methods → 逐步对照，尝试在脑中"复现"整个分析流程
3. Results → 对每个结果问"这个结论证据充分吗？"
4. Discussion → 作者怎么解释结果？有没有我不同意的地方？
5. Limitations → 作者自己承认了哪些局限？还有哪些没说的？

关注点：
- 流程图：大部分生信文献的 Figure 1 就是分析流程图
- 每一步用的工具名称和版本号
- 工具之间的衔接（输入输出格式）
- 有没有用流程管理工具（Snakemake/Nextflow）

白话说：这就像看菜谱，你要知道"先放油还是先放蒜"，顺序搞错了出不来那个味。

关注点：
- 质控参数：Q值阈值、最小长度、接头序列
- 比对参数：比对软件的灵敏度/特异度模式
- 过滤阈值：丰度过滤（去掉低丰度物种）、prevalence 过滤
- 聚类参数：OTU 97% 还是 ASV？
- 统计参数：显著性阈值（p < 0.05？FDR < 0.1？）

白话说：同一个工具，参数不同结果天差地别。这是你能不能"调出好结果"的关键。

关注点：
- 公开数据：数据存在哪个数据库？（NCBI SRA、ENA、DDBJ、GSA）
- Accession Number：记下来，方便你下载复现
- 样本信息：样本量、分组、纳入/排除标准
- 测序平台：Illumina/PacBio/Nanopore？读长多少？

白话说：数据就是食材，你得知道是进口的还是国产的、新鲜的还是冷冻的。

关注点：
- 差异分析用的什么方法？（Wilcoxon/DESeq2/LEfSe/ANCOM-BC）
- 多重比较校正方法？（Bonferroni/BH-FDR/Storey q-value）
- 多变量分析？（PCoA/NMDS/PERMANOVA/RDA）
- 机器学习模型？（随机森林/XGBoost/LASSO？交叉验证方式？）
- 效应量：有没有报告 effect size，还是只报了 p 值？

白话说：统计方法是"法官判案的标准"，方法不对，判决就可能冤枉好人。

关注点：
- 代码是否公开？（GitHub/Zenodo/Figshare）
- 数据是否可下载？
- 是否提供 Docker/Conda 环境文件？
- 是否有详细的 README？

白话说：说得再好听，代码跑不起来就是空话。能复现的才叫好文献。

# 安装流程：
# 1. 下载 Zotero：https://www.zotero.org/download/
# 2. 安装浏览器插件 Zotero Connector
# 3. 打开 Zotero，创建分类文件夹（如：T2D_metagenomics、methods、reviews）
# 4. 在 PubMed 搜到文献后，点击浏览器右上角 Zotero 图标，自动保存

# 推荐插件：
# - Zotero Better BibTeX：LaTeX 引用必备
# - Zotero PDF Translate：PDF 内划词翻译
# - Zotero GPT：AI 辅助阅读论文
# - Zotero Tag：更好的标签管理

Step 1: 找到原始数据
   ↓  去文献的 Data Availability 部分找 Accession Number
   ↓  从 NCBI SRA / ENA 下载原始数据

Step 2: 梳理分析流程
   ↓  从 Methods 部分提取每一步的工具+版本+参数
   ↓  画出流程图（可以用 draw.io 或手画）

Step 3: 搭建计算环境
   ↓  用 conda 安装文献中提到的所有工具
   ↓  注意版本号！不同版本可能结果不同

Step 4: 跑小数据集验证
   ↓  先用少量数据（比如 1 个样本）跑通整个流程
   ↓  对比你的结果和文献结果是否一致

Step 5: 完整复现 + 总结
   ↓  用全部数据复现，记录遇到的问题和解决方法
   ↓  写成笔记，变成你自己的 SOP

# 假设文献用了以下流程：
# Raw reads → Fastp → Kneaddata → MetaPhlAn4 → HUMAnN3

# Step 1: 下载数据（假设 accession 为 PRJNA123456）
# 用 SRA Toolkit 的 fasterq-dump 下载
fasterq-dump SRR12345678 --split-3 -O raw_data/  # 下载双端测序数据

# Step 2: 质控（Fastp，文献中参数：Q20，最小长度50bp）
fastp \
  -i raw_data/SRR12345678_1.fastq \   # 输入：正向reads
  -I raw_data/SRR12345678_2.fastq \   # 输入：反向reads
  -o clean/SRR12345678_1.fq.gz \      # 输出：质控后正向
  -O clean/SRR12345678_2.fq.gz \      # 输出：质控后反向
  -q 20 \                              # 质量阈值：Q20（文献指定）
  -l 50                                # 最小长度：50bp（文献指定）

# Step 3: 去宿主（Kneaddata，文献中用人类参考基因组 hg38）
kneaddata \
  --input clean/SRR12345678_1.fq.gz \  # 输入：质控后reads
  --input clean/SRR12345678_2.fq.gz \
  --reference-db /db/hg38_bowtie2/ \   # 宿主参考基因组
  --output dehost/ \                    # 输出目录
  --trimmomatic /path/to/trimmomatic   # Trimmomatic路径

# Step 4: 物种注释（MetaPhlAn4）
metaphlan \
  dehost/SRR12345678_1_kneaddata_paired_1.fastq,dehost/SRR12345678_1_kneaddata_paired_2.fastq \
  --input_type fastq \                 # 输入格式
  --bowtie2db /db/metaphlan4/ \        # MetaPhlAn4数据库
  -o profile/SRR12345678_profile.txt   # 输出物种丰度表

# Step 5: 对比你的物种丰度结果和文献的 Figure 是否一致

⚠️ 预印本没有经过同行评审，使用时需要注意：
1. 结论可能有误——关注是否已有正式发表版本
2. 面试引用预印本时说明"这是预印本，还未正式发表"
3. 方法可以参考学习，但结论要谨慎引用
4. PubMed 从 2020 年开始收录部分预印本（来源标注为 Preprint）
   在 PubMed 中搜索预印本：加 preprint[pt] 过滤
   排除预印本：加 NOT preprint[pt]

# Prompt 1：快速总结
请用中文总结这篇论文，包括：
1. 研究问题（一句话）
2. 使用的数据（样本量、来源）
3. 核心方法（分析流程的每一步）
4. 主要发现（3-5个关键结果）
5. 局限性（作者提到的 + 你发现的）

# Prompt 2：提取分析流程
请从这篇论文的 Methods 部分提取完整的分析流程，包括：
- 每一步使用的工具名称和版本
- 关键参数设置
- 输入和输出文件格式
- 统计检验方法
用流程图的方式列出来。

# Prompt 3：面试准备
如果面试官问我关于这篇论文的问题，请帮我准备以下问题的回答：
1. 这篇论文解决了什么问题？
2. 方法上有什么创新点？
3. 有什么不足或可以改进的地方？
4. 如果让你重新设计这个研究，你会怎么做？

# Prompt 4：方法对比
请对比这篇论文中使用的 [方法A] 和 [方法B]，
从原理、适用场景、优缺点三个角度分析，用表格呈现。

⚠️ AI 辅助阅读的正确姿势：
1. AI 是"辅助"不是"替代"——关键结论必须自己验证
2. AI 可能产生幻觉——不要盲信 AI 对数字/参数/工具名的回答
3. 先用 AI 快速了解大意，再自己精读关键部分
4. 面试时说"我用 AI 辅助阅读"没问题，但要证明你真的理解了内容

Situation: 我最近在准备宏基因组方向的面试/做T2D肠道菌群项目
Task: 需要了解最新的宏基因组分析方法
Action: 读了 [具体文献名]，发表在 [期刊] 上
Result: 从中学到了 [具体方法/发现]

示例回答：
"我最近读了 2024 年发表在 Nature Medicine 上的一篇关于多队列宏基因组
研究发现 2 型糖尿病肠道菌群标志物的文章。这篇文献汇总了多个国家的
宏基因组数据，用 MetaPhlAn4 做物种注释，用 HUMAnN3 做功能注释，
然后用随机森林筛选出跨队列一致的菌群标志物。我从中学到了如何处理
多队列批次效应和如何评估标志物的泛化能力。"

示例回答：
"这篇文献有几个可以改进的地方：
第一，样本量虽然不小（约500人），但某些亚组（如用药和不用药的T2D）
样本量偏少，可能影响亚组分析的统计效力；
第二，使用的是 16S rRNA 扩增子测序而不是宏基因组全测序，所以物种
注释只到属水平，功能预测依赖 PICRUSt2 的推断而非直接测量；
第三，文献没有提供分析代码，只描述了工具和参数，复现性不够好；
第四，横断面研究设计无法推断因果关系，需要纵向队列或干预实验验证。"

示例回答：
"我先在 PubMed 用 'gut microbiome AND type 2 diabetes AND 
metagenomics AND 2023:2025[dp]' 搜索最近两年的文献，然后按
Best Match 排序看前 20 篇的标题和摘要。选定一篇核心文献后，
我又用 Connected Papers 生成了关系图谱，找到了几篇高度相关
的文献。最后在 Semantic Scholar 上设置了 Research Feed，
持续跟踪这个方向的新文献。"

示例回答：
"如果让我改进，我会考虑三个方面：
第一，数据层面：增加独立验证队列，用不同地区/人群的数据验证
发现的标志物是否具有泛化性；
第二，方法层面：补充宏基因组全测序数据，直接获取功能通路信息
而不是依赖预测，并增加代谢组学数据做多组学整合分析；
第三，统计层面：加入更严格的混杂因素控制，特别是饮食、用药、
BMI 等可能影响菌群组成的因素，用 MaAsLin2 等工具做多变量校正。"

示例回答：
"我从以下几个维度判断：
1. 期刊和影响因子：Nature/Science/Cell 系列 > 领域顶刊（如 
   Gut, Microbiome）> 普通SCI
2. 样本量和实验设计：有没有足够的生物学重复？有没有独立验证队列？
3. 统计方法是否规范：多重比较有没有校正？效应量报了没有？
4. 数据和代码可用性：原始数据有没有存到公开数据库？分析代码有没有
   放到 GitHub？
5. 同行评价：看 PubPeer 上有没有质疑，看后续被引用的方式是正面
   还是负面的。
6. 如果是预印本，还要特别注意有没有同行评审后的正式版本。"

□ 标题和摘要读完了吗？能一句话概括这篇文献吗？
□ 分析流程图看懂了吗？每一步用了什么工具？
□ 关键参数记录了吗？（质控阈值、统计方法、p值标准）
□ 数据来源清楚了吗？（数据库、Accession Number）
□ 代码是否公开？能否复现？
□ 统计方法合理吗？多重比较校正了吗？
□ 有没有独立验证队列？
□ 这篇文献对该项目有什么参考价值？
□ 面试时能讲清楚这篇文献的方法和不足吗？
□ 已经保存到 Zotero 并打了标签吗？

面试前建议至少精读 1 篇综述 + 2 篇研究论文：

综述推荐搜索：
PubMed: (metagenomics OR "gut microbiome") AND review[pt] AND 2024:2025[dp]
PubMed: "machine learning" AND bioinformatics AND review[pt] AND 2024:2025[dp]

研究论文推荐搜索（结合T2D项目方向）：
PubMed: "type 2 diabetes" AND "gut microbiome" AND metagenomics AND 2023:2025[dp]

工作日（15分钟/天）：
- 刷 PubMed/Semantic Scholar 的推送，读 2-3 篇摘要
- 遇到有价值的文献保存到 Zotero

每周（1-2小时）：
- 精读 1 篇文献到"第二遍"（方法+结果）
- 更新 Zotero 标签和笔记

面试前（集中准备）：
- 选 2-3 篇跟目标岗位最相关的文献精读到"第三遍"
- 用上面的面试回答框架准备好口头表述
- 尝试复现至少 1 篇文献的分析流程（哪怕只跑通第一步）