R语言TwoSampleMR包实战从GWAS数据到因果推断的完整指南孟德尔随机化Mendelian Randomization, MR作为流行病学研究中的重要方法正逐渐成为探索暴露与结局变量间因果关系的利器。对于刚接触这一领域的研究者而言如何将GWAS汇总数据转化为可靠的因果推断结论往往充满挑战。本文将基于R语言的TwoSampleMR包带你完整走通从数据准备到结果解读的全流程解决实际分析中的痛点问题。1. 环境准备与数据加载工欲善其事必先利其器。在开始MR分析前我们需要配置好R环境并理解数据的基本要求。1.1 软件包安装与加载TwoSampleMR是当前最全面的MR分析工具包支持多种分析方法与可视化功能。建议使用以下代码安装和加载必要包# 安装CRAN上的稳定版本 install.packages(TwoSampleMR) # 或者从GitHub安装开发版 devtools::install_github(MRCIEU/TwoSampleMR) # 加载核心包 library(TwoSampleMR) library(ggplot2) # 用于结果可视化 library(dplyr) # 数据清洗工具提示如果遇到依赖包安装问题可先单独安装报错的依赖包。推荐使用R 4.0以上版本以获得最佳兼容性。1.2 数据格式要求TwoSampleMR需要暴露和结局的GWAS汇总数据满足特定格式。关键字段包括字段名描述必需性SNPSNP标识符如rsID必需beta效应大小估计值必需se标准误必需effect_allele效应等位基因必需other_allele其他等位基因必需eaf效应等位基因频率推荐pvalp值推荐典型的数据导入代码如下# 读取暴露数据 exposure_dat - read_exposure_data( filename exposure_data.txt, sep \t, snp_col SNP, beta_col beta, se_col se, effect_allele_col effect_allele, other_allele_col other_allele, eaf_col eaf, pval_col pval ) # 读取结局数据 outcome_dat - read_outcome_data( filename outcome_data.txt, sep \t, snp_col SNP, beta_col beta, se_col se, effect_allele_col effect_allele, other_allele_col other_allele, eaf_col eaf, pval_col pval )2. 工具变量筛选与数据协调高质量的MR分析始于严格的工具变量筛选。这一步骤直接影响后续因果推断的可靠性。2.1 工具变量筛选标准有效的工具变量应满足以下条件强相关性SNP与暴露的关联p值通常需5×10⁻⁸独立性SNP间不存在强连锁不平衡LD r²0.01排除限制SNP仅通过暴露影响结局实际操作中我们常用以下代码筛选工具变量# 筛选与暴露显著相关的SNP exposure_dat - subset(exposure_dat, pval 5e-8) # 去除连锁不平衡需提供参考面板 exposure_dat - clump_data( exposure_dat, clump_kb 10000, # 窗口大小10kb clump_r2 0.01, # LD r²阈值 clump_p1 1, # 主SNP的p值阈值 clump_p2 1, # 次SNP的p值阈值 pop EUR # 人群 ancestry )2.2 数据协调Harmonization确保暴露和结局数据中效应等位基因的一致性至关重要。TwoSampleMR提供了自动化协调功能dat - harmonise_data( exposure_dat exposure_dat, outcome_dat outcome_dat, action 2 # 自动解决等位基因冲突 )协调后的数据将包含以下关键字段beta.exposure/beta.outcome暴露/结局的效应值se.exposure/se.outcome暴露/结局的标准误mr_keep标记是否成功协调的布尔值注意务必检查协调结果特别是等位基因方向。可通过table(dat$mr_keep)查看协调成功率。3. 核心MR分析方法与应用TwoSampleMR支持多种MR分析方法各有其适用场景和假设条件。3.1 主要分析方法对比方法核心假设适用场景优势局限IVW所有工具变量均有效无异质性时统计效率最高对无效工具敏感MR-Egger允许工具变量存在多效性存在定向多效性时提供多效性检验统计功效较低加权中位数50%工具变量有效部分无效工具时对异常值稳健需要较多工具变量简单模式多数工具变量有效探索性分析直观易解释效率较低3.2 方法实现与结果解读执行多种MR分析方法并整合结果# 运行多种MR方法 res - mr(dat, method_list c(mr_ivw, mr_eggser, mr_weighted_median, mr_weighted_mode)) # 显示结果 res # 生成OR值适用于二分类结局 generate_odds_ratios(res)典型输出包含以下关键指标b因果效应估计值se标准误pval显著性p值OR比值比二分类结局时结果解读要点各方法结果是否一致IVW与MR-Egger截距的差异多效性检验异质性检验结果Q统计量4. 敏感性分析与结果验证稳健的MR分析需要通过各种敏感性检验来验证结果的可靠性。4.1 异质性检验评估工具变量间的效应异质性het - mr_heterogeneity(dat) het关键指标Q_pval异质性检验p值p0.05提示存在显著异质性此时应考虑使用随机效应IVW4.2 多效性检验检测工具变量的水平多效性pleio - mr_pleiotropy_test(dat) pleio重点关注egger_intercept截距估计pval截距显著性p0.05提示存在定向多效性4.3 MR-PRESSO分析检测并校正异常值影响presso - mr_presso( BetaOutcome beta.outcome, BetaExposure beta.exposure, SdOutcome se.outcome, SdExposure se.exposure, data dat, OUTLIERtest TRUE, DISTORTIONtest TRUE, NbDistribution 1000, SignifThreshold 0.05 )5. 结果可视化与论文呈现清晰的结果展示是MR分析的重要环节。TwoSampleMR提供了多种出版级可视化功能。5.1 散点图展示SNP对暴露和结局的效应关系p1 - mr_scatter_plot(res, dat) p1[[1]] theme_bw() labs(title MR分析散点图, x SNP对暴露的效应, y SNP对结局的效应)5.2 森林图展示各SNP的个体效应res_single - mr_singlesnp(dat) p2 - mr_forest_plot(res_single) p2[[1]]5.3 漏斗图评估潜在的小样本偏倚p3 - mr_funnel_plot(res_single) p3[[1]]5.4 留一法分析检验结果对单个SNP的敏感性loo - mr_leaveoneout(dat) p4 - mr_leaveoneout_plot(loo) p4[[1]]6. 实战案例教育程度与冠心病风险让我们通过一个实际案例巩固所学内容。假设我们想探究教育年限暴露对冠心病风险结局的因果影响。6.1 数据获取从IEU GWAS数据库直接获取数据# 获取教育年限的GWAS数据 exposure_dat - extract_instruments(ieu-a-1001) # 获取冠心病GWAS数据 outcome_dat - extract_outcome_data(exposure_dat$SNP, ieu-a-7) # 数据协调 dat - harmonise_data(exposure_dat, outcome_dat)6.2 分析执行# 主要MR分析 res - mr(dat) # 敏感性分析 het - mr_heterogeneity(dat) pleio - mr_pleiotropy_test(dat) presso - mr_presso(BetaOutcome beta.outcome, BetaExposure beta.exposure, SdOutcome se.outcome, SdExposure se.exposure, data dat)6.3 结果整合将主要结果与敏感性分析结果整合# 创建结果表格 results_table - data.frame( Method res$method, Beta res$b, SE res$se, Pvalue res$pval, OR exp(res$b) ) # 添加异质性检验 results_table - rbind(results_table, data.frame( Method Heterogeneity (Q), Beta NA, SE NA, Pvalue het$Q_pval[het$method Inverse variance weighted], OR NA )) # 添加多效性检验 results_table - rbind(results_table, data.frame( Method Egger intercept, Beta pleio$egger_intercept, SE pleio$se, Pvalue pleio$pval, OR NA ))7. 常见问题与解决方案在实际分析中研究者常会遇到各种技术问题。以下是典型问题及其解决方法7.1 数据协调失败问题表现mr_keep为FALSE的比例过高解决方案检查原始数据的等位基因编码是否一致尝试调整harmonise_data的action参数手动检查并校正等位基因方向# 手动检查前10个SNP的等位基因匹配情况 head(dat[, c(SNP, effect_allele.exposure, effect_allele.outcome, other_allele.exposure, other_allele.outcome)], 10)7.2 工具变量数量不足问题表现筛选后SNP数量10解决方案放宽p值阈值如改为5×10⁻⁶使用更大的LD窗口如clump_kb50000考虑使用其他暴露相关GWAS数据# 放宽工具变量筛选标准 exposure_dat - subset(exposure_dat, pval 5e-6) exposure_dat - clump_data(exposure_dat, clump_kb 50000, clump_r2 0.1)7.3 异质性显著问题表现Q检验p值0.05解决方案使用随机效应IVW进行MR-PRESSO分析去除异常值检查是否存在明显的多效性# 使用随机效应IVW mr(dat, method_list mr_ivw_mre) # 或使用加权中位数法 mr(dat, method_list mr_weighted_median)7.4 多效性显著问题表现MR-Egger截距p值0.05解决方案优先考虑MR-Egger结果使用加权中位数或加权模式法检查工具变量是否可能通过其他途径影响结局# 关注MR-Egger结果 subset(res, method MR Egger) # 或使用加权模式法 mr(dat, method_list mr_weighted_mode)8. 高级技巧与最佳实践在掌握基础分析流程后以下技巧可进一步提升研究质量8.1 多变量MR当存在多个相关暴露时多变量MR可评估各暴露的独立效应# 获取多个暴露的工具变量 exposure1 - extract_instruments(ieu-a-1001) # 教育年限 exposure2 - extract_instruments(ieu-a-2) # BMI # 提取共同的结局数据 mvdat - mv_extract_exposures(c(ieu-a-1001, ieu-a-2)) mvoutcome - extract_outcome_data(mvdat$SNP, ieu-a-7) # 协调数据 mvdat - mv_harmonise_data(mvdat, mvoutcome) # 多变量MR分析 mv_res - mv_multiple(mvdat)8.2 网络MR分析多个中间表型构成的因果网络# 定义暴露-中介-结局的路径 network - define_network( exposure ieu-a-1001, mediators c(ieu-a-2, ieu-a-835), outcome ieu-a-7 ) # 执行网络MR network_res - network_mr(network)8.3 样本重叠校正当暴露和结局研究存在样本重叠时# 使用MR-RAPS方法校正样本重叠 mr_raps( b_exp dat$beta.exposure, b_out dat$beta.outcome, se_exp dat$se.exposure, se_out dat$se.outcome, overlap TRUE # 启用样本重叠校正 )8.4 功率计算在分析前评估研究的统计功效# 计算可检测的最小OR值 mr_power( n 30000, # 样本量 K 0.1, # 结局发生率 r2 0.02, # 工具变量解释的暴露方差 alpha 0.05, # 显著性水平 power 0.8 # 期望功效 )9. 从分析到论文结果报告要点将MR分析结果转化为论文内容时应注意以下报告规范9.1 方法部分必备要素数据来源明确GWAS数据的来源、人群和样本量工具变量选择详细说明SNP筛选标准和LD去除参数分析方法列出所有使用的MR方法及其适用条件敏感性分析报告所有检验方法异质性、多效性等9.2 结果部分呈现建议主要结果以表格形式展示各MR方法的效应估计敏感性分析报告Q统计量、Egger截距等关键指标可视化包含散点图、森林图等关键图形9.3 讨论部分注意事项与既往研究的比较潜在机制探讨研究局限性工具变量强度、多效性等临床或公共卫生意义10. 持续学习资源推荐要掌握MR分析的精髓需要不断学习和实践10.1 在线课程与教程Coursera流行病学中的遗传方法专项课程MR-Base AcademyTwoSampleMR官方教程YouTube搜索Mendelian Randomization tutorial10.2 重要文献Burgess S, et al. (2015). Mendelian randomization analysis with multiple genetic variants using summarized data. Genet Epidemiol.Davey Smith G, Hemani G (2014). Mendelian randomization: genetic anchors for causal inference in epidemiological studies. Hum Mol Genet.Bowden J, et al. (2016). Assessing the suitability of summary data for Mendelian randomization analyses using MR-Egger regression. Int J Epidemiol.10.3 实用工具与数据库MR-Base(www.mrbase.org)GWAS数据一站式平台PhenoScanner(www.phenoscanner.medschl.cam.ac.uk)SNP表型关联查询LD Hub(ldsc.broadinstitute.org)连锁不平衡分析工具在实际项目中我发现最常遇到的挑战是工具变量强度不足和多效性问题。通过组合使用多种MR方法和敏感性分析能够显著提高结果的可信度。对于初学者建议从IEU GWAS数据库的公开数据开始练习逐步掌握完整分析流程后再处理自己的研究数据。
R语言TwoSampleMR包实战：从GWAS数据到因果推断，一篇搞定孟德尔随机化全流程
R语言TwoSampleMR包实战从GWAS数据到因果推断的完整指南孟德尔随机化Mendelian Randomization, MR作为流行病学研究中的重要方法正逐渐成为探索暴露与结局变量间因果关系的利器。对于刚接触这一领域的研究者而言如何将GWAS汇总数据转化为可靠的因果推断结论往往充满挑战。本文将基于R语言的TwoSampleMR包带你完整走通从数据准备到结果解读的全流程解决实际分析中的痛点问题。1. 环境准备与数据加载工欲善其事必先利其器。在开始MR分析前我们需要配置好R环境并理解数据的基本要求。1.1 软件包安装与加载TwoSampleMR是当前最全面的MR分析工具包支持多种分析方法与可视化功能。建议使用以下代码安装和加载必要包# 安装CRAN上的稳定版本 install.packages(TwoSampleMR) # 或者从GitHub安装开发版 devtools::install_github(MRCIEU/TwoSampleMR) # 加载核心包 library(TwoSampleMR) library(ggplot2) # 用于结果可视化 library(dplyr) # 数据清洗工具提示如果遇到依赖包安装问题可先单独安装报错的依赖包。推荐使用R 4.0以上版本以获得最佳兼容性。1.2 数据格式要求TwoSampleMR需要暴露和结局的GWAS汇总数据满足特定格式。关键字段包括字段名描述必需性SNPSNP标识符如rsID必需beta效应大小估计值必需se标准误必需effect_allele效应等位基因必需other_allele其他等位基因必需eaf效应等位基因频率推荐pvalp值推荐典型的数据导入代码如下# 读取暴露数据 exposure_dat - read_exposure_data( filename exposure_data.txt, sep \t, snp_col SNP, beta_col beta, se_col se, effect_allele_col effect_allele, other_allele_col other_allele, eaf_col eaf, pval_col pval ) # 读取结局数据 outcome_dat - read_outcome_data( filename outcome_data.txt, sep \t, snp_col SNP, beta_col beta, se_col se, effect_allele_col effect_allele, other_allele_col other_allele, eaf_col eaf, pval_col pval )2. 工具变量筛选与数据协调高质量的MR分析始于严格的工具变量筛选。这一步骤直接影响后续因果推断的可靠性。2.1 工具变量筛选标准有效的工具变量应满足以下条件强相关性SNP与暴露的关联p值通常需5×10⁻⁸独立性SNP间不存在强连锁不平衡LD r²0.01排除限制SNP仅通过暴露影响结局实际操作中我们常用以下代码筛选工具变量# 筛选与暴露显著相关的SNP exposure_dat - subset(exposure_dat, pval 5e-8) # 去除连锁不平衡需提供参考面板 exposure_dat - clump_data( exposure_dat, clump_kb 10000, # 窗口大小10kb clump_r2 0.01, # LD r²阈值 clump_p1 1, # 主SNP的p值阈值 clump_p2 1, # 次SNP的p值阈值 pop EUR # 人群 ancestry )2.2 数据协调Harmonization确保暴露和结局数据中效应等位基因的一致性至关重要。TwoSampleMR提供了自动化协调功能dat - harmonise_data( exposure_dat exposure_dat, outcome_dat outcome_dat, action 2 # 自动解决等位基因冲突 )协调后的数据将包含以下关键字段beta.exposure/beta.outcome暴露/结局的效应值se.exposure/se.outcome暴露/结局的标准误mr_keep标记是否成功协调的布尔值注意务必检查协调结果特别是等位基因方向。可通过table(dat$mr_keep)查看协调成功率。3. 核心MR分析方法与应用TwoSampleMR支持多种MR分析方法各有其适用场景和假设条件。3.1 主要分析方法对比方法核心假设适用场景优势局限IVW所有工具变量均有效无异质性时统计效率最高对无效工具敏感MR-Egger允许工具变量存在多效性存在定向多效性时提供多效性检验统计功效较低加权中位数50%工具变量有效部分无效工具时对异常值稳健需要较多工具变量简单模式多数工具变量有效探索性分析直观易解释效率较低3.2 方法实现与结果解读执行多种MR分析方法并整合结果# 运行多种MR方法 res - mr(dat, method_list c(mr_ivw, mr_eggser, mr_weighted_median, mr_weighted_mode)) # 显示结果 res # 生成OR值适用于二分类结局 generate_odds_ratios(res)典型输出包含以下关键指标b因果效应估计值se标准误pval显著性p值OR比值比二分类结局时结果解读要点各方法结果是否一致IVW与MR-Egger截距的差异多效性检验异质性检验结果Q统计量4. 敏感性分析与结果验证稳健的MR分析需要通过各种敏感性检验来验证结果的可靠性。4.1 异质性检验评估工具变量间的效应异质性het - mr_heterogeneity(dat) het关键指标Q_pval异质性检验p值p0.05提示存在显著异质性此时应考虑使用随机效应IVW4.2 多效性检验检测工具变量的水平多效性pleio - mr_pleiotropy_test(dat) pleio重点关注egger_intercept截距估计pval截距显著性p0.05提示存在定向多效性4.3 MR-PRESSO分析检测并校正异常值影响presso - mr_presso( BetaOutcome beta.outcome, BetaExposure beta.exposure, SdOutcome se.outcome, SdExposure se.exposure, data dat, OUTLIERtest TRUE, DISTORTIONtest TRUE, NbDistribution 1000, SignifThreshold 0.05 )5. 结果可视化与论文呈现清晰的结果展示是MR分析的重要环节。TwoSampleMR提供了多种出版级可视化功能。5.1 散点图展示SNP对暴露和结局的效应关系p1 - mr_scatter_plot(res, dat) p1[[1]] theme_bw() labs(title MR分析散点图, x SNP对暴露的效应, y SNP对结局的效应)5.2 森林图展示各SNP的个体效应res_single - mr_singlesnp(dat) p2 - mr_forest_plot(res_single) p2[[1]]5.3 漏斗图评估潜在的小样本偏倚p3 - mr_funnel_plot(res_single) p3[[1]]5.4 留一法分析检验结果对单个SNP的敏感性loo - mr_leaveoneout(dat) p4 - mr_leaveoneout_plot(loo) p4[[1]]6. 实战案例教育程度与冠心病风险让我们通过一个实际案例巩固所学内容。假设我们想探究教育年限暴露对冠心病风险结局的因果影响。6.1 数据获取从IEU GWAS数据库直接获取数据# 获取教育年限的GWAS数据 exposure_dat - extract_instruments(ieu-a-1001) # 获取冠心病GWAS数据 outcome_dat - extract_outcome_data(exposure_dat$SNP, ieu-a-7) # 数据协调 dat - harmonise_data(exposure_dat, outcome_dat)6.2 分析执行# 主要MR分析 res - mr(dat) # 敏感性分析 het - mr_heterogeneity(dat) pleio - mr_pleiotropy_test(dat) presso - mr_presso(BetaOutcome beta.outcome, BetaExposure beta.exposure, SdOutcome se.outcome, SdExposure se.exposure, data dat)6.3 结果整合将主要结果与敏感性分析结果整合# 创建结果表格 results_table - data.frame( Method res$method, Beta res$b, SE res$se, Pvalue res$pval, OR exp(res$b) ) # 添加异质性检验 results_table - rbind(results_table, data.frame( Method Heterogeneity (Q), Beta NA, SE NA, Pvalue het$Q_pval[het$method Inverse variance weighted], OR NA )) # 添加多效性检验 results_table - rbind(results_table, data.frame( Method Egger intercept, Beta pleio$egger_intercept, SE pleio$se, Pvalue pleio$pval, OR NA ))7. 常见问题与解决方案在实际分析中研究者常会遇到各种技术问题。以下是典型问题及其解决方法7.1 数据协调失败问题表现mr_keep为FALSE的比例过高解决方案检查原始数据的等位基因编码是否一致尝试调整harmonise_data的action参数手动检查并校正等位基因方向# 手动检查前10个SNP的等位基因匹配情况 head(dat[, c(SNP, effect_allele.exposure, effect_allele.outcome, other_allele.exposure, other_allele.outcome)], 10)7.2 工具变量数量不足问题表现筛选后SNP数量10解决方案放宽p值阈值如改为5×10⁻⁶使用更大的LD窗口如clump_kb50000考虑使用其他暴露相关GWAS数据# 放宽工具变量筛选标准 exposure_dat - subset(exposure_dat, pval 5e-6) exposure_dat - clump_data(exposure_dat, clump_kb 50000, clump_r2 0.1)7.3 异质性显著问题表现Q检验p值0.05解决方案使用随机效应IVW进行MR-PRESSO分析去除异常值检查是否存在明显的多效性# 使用随机效应IVW mr(dat, method_list mr_ivw_mre) # 或使用加权中位数法 mr(dat, method_list mr_weighted_median)7.4 多效性显著问题表现MR-Egger截距p值0.05解决方案优先考虑MR-Egger结果使用加权中位数或加权模式法检查工具变量是否可能通过其他途径影响结局# 关注MR-Egger结果 subset(res, method MR Egger) # 或使用加权模式法 mr(dat, method_list mr_weighted_mode)8. 高级技巧与最佳实践在掌握基础分析流程后以下技巧可进一步提升研究质量8.1 多变量MR当存在多个相关暴露时多变量MR可评估各暴露的独立效应# 获取多个暴露的工具变量 exposure1 - extract_instruments(ieu-a-1001) # 教育年限 exposure2 - extract_instruments(ieu-a-2) # BMI # 提取共同的结局数据 mvdat - mv_extract_exposures(c(ieu-a-1001, ieu-a-2)) mvoutcome - extract_outcome_data(mvdat$SNP, ieu-a-7) # 协调数据 mvdat - mv_harmonise_data(mvdat, mvoutcome) # 多变量MR分析 mv_res - mv_multiple(mvdat)8.2 网络MR分析多个中间表型构成的因果网络# 定义暴露-中介-结局的路径 network - define_network( exposure ieu-a-1001, mediators c(ieu-a-2, ieu-a-835), outcome ieu-a-7 ) # 执行网络MR network_res - network_mr(network)8.3 样本重叠校正当暴露和结局研究存在样本重叠时# 使用MR-RAPS方法校正样本重叠 mr_raps( b_exp dat$beta.exposure, b_out dat$beta.outcome, se_exp dat$se.exposure, se_out dat$se.outcome, overlap TRUE # 启用样本重叠校正 )8.4 功率计算在分析前评估研究的统计功效# 计算可检测的最小OR值 mr_power( n 30000, # 样本量 K 0.1, # 结局发生率 r2 0.02, # 工具变量解释的暴露方差 alpha 0.05, # 显著性水平 power 0.8 # 期望功效 )9. 从分析到论文结果报告要点将MR分析结果转化为论文内容时应注意以下报告规范9.1 方法部分必备要素数据来源明确GWAS数据的来源、人群和样本量工具变量选择详细说明SNP筛选标准和LD去除参数分析方法列出所有使用的MR方法及其适用条件敏感性分析报告所有检验方法异质性、多效性等9.2 结果部分呈现建议主要结果以表格形式展示各MR方法的效应估计敏感性分析报告Q统计量、Egger截距等关键指标可视化包含散点图、森林图等关键图形9.3 讨论部分注意事项与既往研究的比较潜在机制探讨研究局限性工具变量强度、多效性等临床或公共卫生意义10. 持续学习资源推荐要掌握MR分析的精髓需要不断学习和实践10.1 在线课程与教程Coursera流行病学中的遗传方法专项课程MR-Base AcademyTwoSampleMR官方教程YouTube搜索Mendelian Randomization tutorial10.2 重要文献Burgess S, et al. (2015). Mendelian randomization analysis with multiple genetic variants using summarized data. Genet Epidemiol.Davey Smith G, Hemani G (2014). Mendelian randomization: genetic anchors for causal inference in epidemiological studies. Hum Mol Genet.Bowden J, et al. (2016). Assessing the suitability of summary data for Mendelian randomization analyses using MR-Egger regression. Int J Epidemiol.10.3 实用工具与数据库MR-Base(www.mrbase.org)GWAS数据一站式平台PhenoScanner(www.phenoscanner.medschl.cam.ac.uk)SNP表型关联查询LD Hub(ldsc.broadinstitute.org)连锁不平衡分析工具在实际项目中我发现最常遇到的挑战是工具变量强度不足和多效性问题。通过组合使用多种MR方法和敏感性分析能够显著提高结果的可信度。对于初学者建议从IEU GWAS数据库的公开数据开始练习逐步掌握完整分析流程后再处理自己的研究数据。
