“對我而言，回答了自己心中的問題或者做出一個新的發(fā)現(xiàn)，這種成就感要遠高于生活中的其他快樂?！崩铈阂顚Α堵槭±砉た萍荚u論》中國這樣說道。

而她的研究內(nèi)容在很多人眼里或許稍顯枯燥：針對前沿的生物學問題開發(fā)新的統(tǒng)計學方法，尤其著重于對大規(guī)?；蚪M和轉錄組數(shù)據(jù)進行分析方法的開發(fā)。

由于高通量實驗技術的發(fā)展，生命科學從一個靠觀察實驗為主的學科逐漸變得更加需要定量化，而這些大規(guī)模數(shù)據(jù)的產(chǎn)生也需要算法才能夠進行分析，從而總結出數(shù)學規(guī)律并用規(guī)律來刻畫事物的本質(zhì)。

加州大學洛杉磯分校（UCLA）統(tǒng)計系（已獲得終身教職）副教授和博士生導師，生物統(tǒng)計系、人類遺傳學系和計算醫(yī)學系博士生導師李婧翌認為，生命科學作為一個“宏科學”，盡管問題的本質(zhì)與生命強相關，但研究手段需要各個學科一起合作，計算則是其中非常重要的一部分，大數(shù)據(jù)也需要有非常適合的挖掘工具，這對于從小對數(shù)學與科學有強烈興趣、并在本科與博士階段分別接受了生命科學與生物統(tǒng)計學系統(tǒng)教育的李婧翌有強大的吸引。

李婧翌的研究專注于統(tǒng)計學與生命科學的交叉問題，她首創(chuàng)性地使用嚴格的統(tǒng)計學來分析已發(fā)表的轉錄組學和蛋白組學數(shù)據(jù)，發(fā)現(xiàn)在過往研究中，由于研究人員對測量誤差的忽略，轉錄的重要性被嚴重低估，該分析挑戰(zhàn)了“翻譯比轉錄重要”的觀點卻支持了之前大量在 mRNA 轉錄水平的科學發(fā)現(xiàn)。因其重要性，李婧翌的研究結果被發(fā)表在 Science 雜志并收錄于本科教材 Molecular Cell Biology 中。

圖 | 左圖是論文 B.Schwanh?usseretal.,Nature473,337(2011) 中在不考慮實驗數(shù)據(jù)誤差的情況下對轉錄、翻譯、mRNA 降解和蛋白質(zhì)降解這四個步驟對于蛋白質(zhì)含量的貢獻的估計；右圖是在校正了實驗數(shù)據(jù)誤差之后的估計。（來源：李婧翌的論文 Li et al. (2015). Statistics requantitates the central dogma. Science347(6226):1066-1067.）

此外，李婧翌團隊還開發(fā)了大量生物信息學工具在組織和單細胞水平上對 mRNA 分子進行全系統(tǒng)測量，并正在開發(fā)一項能夠尋找到人群亞型中和疾病相關的基因變異的新的統(tǒng)計度量。

憑借上述優(yōu)異的研究成果，李婧翌成功入選 《麻省理工科技評論》“35 歲以下科技創(chuàng)新 35 人”（Innovators Under 35）2020 年中國區(qū)榜單。

圖 |《麻省理工科技評論》“35 歲以下科技創(chuàng)新 35 人”2020 年中國區(qū)榜單入選者李婧翌

無心插柳，卻顛覆固有認知

早在 1958 年，中心轉錄法則便被提出，它指的是遺傳信息被編碼在 DNA 中，通過轉錄會變成 mRNA，再通過翻譯的過程變成蛋白質(zhì)，這是所有有細胞結構的生物所遵循的法則。 在這個過程中，除了轉錄和翻譯生成了 mRNA 和蛋白質(zhì)這兩個步驟，還存在 mRNA 和蛋白質(zhì)的降解，這四個步驟共同決定了每一個基因所對應的蛋白質(zhì)到底在我們細胞中存在多少量。不過，此前中心轉錄法則是一個定性表述，“沒有人知道每一步的速率是多少，也沒有人知道對最后蛋白質(zhì)含量的影響有多少?！? 在李婧翌博士即將畢業(yè)之時，她與合作者 Mark Biggin 博士共同研究中心轉錄法則的定量工作。偶然的一次機會，李婧翌和合作者發(fā)現(xiàn)，2011 年發(fā)表在Nature上的一篇文章首次在小鼠的全基因組的基因中進行了 4 項步驟的測量，其得出的結論是每個基因的 mRNA 的含量對于蛋白質(zhì)含量的預測效果比較差，也就是說一個基因內(nèi) mRNA 的高或低并不太能代表它的蛋白質(zhì)含量的高或低。 “這在當時是個非常讓人震驚的結論。因為我們有很多實驗手段可以用來研究 mRNA，但是研究蛋白質(zhì)相對困難很多，所以大量生物學的發(fā)現(xiàn)成果都圍繞 mRNA 的含量水平。如果這篇文章的結果為真，那么之前很多 mRNA 的結果可能都沒有什么意義了?！崩铈阂罱忉尩?。 當李婧翌與合作伙伴看到這篇文章時，他們觀察到這項工作是將高通量質(zhì)譜轉化為蛋白質(zhì)含量，但在轉化過程中，它的標準實際上只基于高表達蛋白，并假設同樣的轉換方式也適用于低表達蛋白，由此導致了研究里面很多低表達蛋白的表達指征是很不準的，也就意味著高通量蛋白質(zhì)測量很有可能存在誤差。 為了解決這一疑惑，李婧翌將實驗誤差考慮進建模后發(fā)現(xiàn)，實際上 mRNA 和蛋白質(zhì)含量的相關性比 Nature 的文章報道的要高很多，轉錄的重要性被嚴重低估。這項“無心插柳”的研究結果被發(fā)表在 Science 雜志并收錄于本科教材 Molecular Cell Biology 中。 李婧翌對《麻省理工科技評論》中國回憶道：“我覺得很有趣的一點是，我們將很基本的統(tǒng)計方法用到了正確的問題上，從而發(fā)現(xiàn)了非常意想不到的結果。這也說明了考慮數(shù)據(jù)測量的隨機性和數(shù)據(jù)噪音對科學結論十分重要。”這一年，李婧翌還不到 30 歲?？蒲信c教育同樣重要 作為一個青年科學家，李婧翌認為，保持對未知問題的好奇心，用研究拓寬人類的知識邊界，是支撐她科研工作的重要推動力。 作為一個科研人員，李婧翌認為目前的統(tǒng)計分析還遠遠談不上科學，“如果一個分析人員在寫研究報告時沒有記錄分析的每一步，而只是簡略地記錄一個結果，那最終結果就不太透明，并且可能也不能被重復，可信度就要大打折扣?！? 此外，李婧翌提到，如果要將最新研究的統(tǒng)計學方法發(fā)表在比較好的學術雜志上，通常情況下做的越復雜越容易發(fā)表，這就導致統(tǒng)計學領域出現(xiàn)一個通病：很多統(tǒng)計方法都比較像“黑箱”，它們過于復雜，也沒有給實際應用的人員講授清楚優(yōu)缺點到底在哪里。

圖 | 對于同樣的一套多個病人樣本中的基因表達數(shù)據(jù)，病人是觀測值，而基因是特征。大部分的病人已知得病或未得病。如果研究問題是：基因A是否為一個有效的疾病標志物，那么假設檢驗是合適的統(tǒng)計方法。而如果研究問題是：1號病人是否得病，那么二元分類是合適的統(tǒng)計方法。（來源：李婧翌的論文Li et al. (2020). Statistical hypothesis testing versus machine-learning binary classification: distinctions and guidelines. Patterns 1(7):110115.）

作為一個有交叉學科背景的研究人員，李婧翌充分利用了這一點：能夠更好地讓生命科學領域的數(shù)據(jù)分析人員去理解現(xiàn)有的一些經(jīng)典方法的優(yōu)缺點和適用范圍，同時，李婧翌自己發(fā)展新方法也將以此為目標，創(chuàng)造出更透明、更穩(wěn)定的統(tǒng)計學方法。舉例而言，李婧翌在最近發(fā)表的一篇文章中就嘗試對兩種常用但經(jīng)常被混淆的統(tǒng)計方法：假設檢驗和二元分類，進行解釋并闡述這兩種方法各自適用的數(shù)據(jù)分析問題。譬如對致癌基因和抑癌基因的預測問題，李婧翌解釋了為什么基于現(xiàn)有的大數(shù)據(jù)，二元分類是一個更加適用的統(tǒng)計方法。 作為教師，李婧翌致力于將統(tǒng)計方法開發(fā)和實際應用的重要性更緊密的結合。 李婧翌認為，無論中美，目前統(tǒng)計學的基礎教育中都有很多過時的教學內(nèi)容，因為很多計算都已經(jīng)可以依靠計算機的程序包來進行自動化運算。統(tǒng)計學教育更重要的應該是去教授學生為什么需要統(tǒng)計學，數(shù)據(jù)背后的隨機性應該怎么去理解，以及數(shù)據(jù)分析到底想解決什么問題，“我覺得這些其實是統(tǒng)計教育需要改變的的東西，我希望我能夠發(fā)揮一些作用。”

責任編輯：lq