微阵列首先受到探针设计限制
微阵列只测量芯片预先设计的探针。不同探针可能对应同一基因的不同区域，旧探针也可能随注释更新变得不唯一。背景集合应是芯片实际可检测并通过质量控制的基因，而不是全基因组。
cREMaG诞生于共表达微阵列研究，它的背景与阈值思想可以延续，但输入标识符和检测机会必须重新定义。
RNA-seq扩大范围也增加版本问题
RNA-seq能够发现更广的表达与转录本变化，却依赖比对、定量和注释流程。基因级差异与转录本级差异回答不同问题，启动子分析若只用基因级结果可能掩盖启动子切换。
低表达、长度和组成偏差也会影响候选集合。
单细胞的零值不等于不表达
单细胞资料具有抽样稀疏性。一个基因在某细胞中没有计数，可能是未捕获而非真正关闭。直接对每个细胞生成差异基因并做motif富集，容易得到不稳定结果。
按细胞类型聚合的pseudo-bulk分析通常更接近成熟差异表达框架，同时保留生物学重复。
细胞比例与细胞状态要分开
组织层面的表达变化可能来自某类细胞数量增加，也可能来自同类细胞内部调控改变。单细胞提供分解机会，但聚类、注释和批次整合会影响结论。
启动子富集应明确输入来自细胞比例、细胞类型差异还是状态轨迹。
多组学整合不能只取交集
RNA表达、ATAC可及性、ChIP占位和motif各有假阴性。只保留四者全部显著的区域会得到很小且偏向强信号的集合。
更合理的方法是建立证据层级，记录每层支持和冲突，再根据研究目标排序。
AI模型适合作为候选排序工具
序列模型可以预测调控潜力或变异影响，但训练数据、物种、细胞类型和序列窗口决定适用范围。高分预测不能替代实际占位、表达扰动或功能实验。
模型版本、输入序列和参数应与传统工具一样记录。把AI输出当作新的证据层，而不是最终裁决，更符合可复现研究。
标识符转换会悄悄丢失基因
旧微阵列常使用探针编号、早期Entrez或旧版基因符号。转换到现代注释时，可能出现一对多、多对一和已经撤销的标识符。若工具静默删除无法映射项目，背景和候选集合会同时变化。
转换表应保存原编号、目标编号、版本和处理决定。无法映射的比例如果集中在某类基因，后续富集可能产生系统偏差。
批次校正不能替代实验设计
微阵列和RNA-seq都可能受芯片批次、测序批次、操作者与样品质量影响。统计模型可以控制已知批次，但若批次与处理条件完全重合，就无法从数据中区分两者。
降维图看起来混合并不证明校正成功。还要检查生物学信号是否被过度移除，并在方法中说明批次如何进入模型。
RNA-seq的背景应来自可检测基因
低表达基因在当前测序深度下几乎没有机会被判为差异。把它们全部放进背景，会让候选集合看起来偏向高表达、长基因或注释丰富基因。
常见做法是在差异分析前定义表达过滤，并用通过过滤的基因作为富集背景。过滤阈值需要结合样本数和研究目的，不应事后为得到显著结果调整。
转录本切换与基因总量可以方向相反
一个基因的总读数稳定，不代表内部转录本比例不变。某个启动子增强、另一个减弱时，总量可能互相抵消。若研究调控入口，只依赖基因级差异列表会漏掉这类变化。
转录本定量的不确定性通常高于基因级结果。需要检查唯一外显子、有效长度和注释完整性，再决定是否进入启动子分析。
伪bulk保留重复而不是只保留细胞数
单细胞实验中，真正的生物学重复通常是个体或独立样品，不是成千上万个细胞。把同一人的细胞当独立重复会夸大样本量并低估变异。
伪bulk按样品和细胞类型汇总计数，可以使用成熟的差异表达模型。细胞数量不平衡、极少细胞群和组成变化仍需单独处理。
轨迹分析给出顺序但不提供真实时间
拟时序根据表达相似性排列细胞，描述可能的状态路径。它不一定等于小时或天，也依赖起点选择、细胞采样和算法假设。把拟时序上的motif变化写成时间因果，需要额外实验支持。
若分支结构在不同参数下不稳定，应先报告不确定性，而不是强行选择一条最符合预期的路线。
跨物种迁移要先处理同源关系
人和小鼠的基因并非全部一对一对应，复制、丢失和注释差异会改变集合大小。直接把符号大小写转换会产生错误映射。
同源表应标注一对一、一对多和未映射项目。调控序列的保守性还低于编码区，即使基因同源，启动子motif也可能已经改变。
AI模型的训练数据决定盲区
调控序列模型常从公开可及性、ChIP或表达数据学习。资料丰富的细胞类型和常见物种占比更高，稀有组织、疾病状态和非模式物种可能处于分布外。
使用模型前应查看输入长度、参考组装和输出定义。分数适合排序候选，不应被翻译成确定的结合概率，除非模型校准和目标场景都支持这种解释。
空间转录组把表达放回组织位置
空间资料能够显示表达模块位于组织的哪个区域，有助于区分细胞组成与局部状态。不过一个捕获点可能包含多个细胞，分辨率、扩散和组织切片质量都会影响信号。
将空间表达与启动子富集结合时，应先确定分析单位是区域、细胞类型还是去卷积后的成分。用相邻像素当完全独立重复会低估空间相关。
长读长转录组改善亚型结构但不取代定量
长读长更容易跨越多个外显子，能发现完整转录本和新的起始组合。其深度通常低于短读长，定量稳定性和错误模式也不同。
常见策略是用长读长定义结构，再用短读长或专门5端资料估计表达。两套资料的样品、版本和过滤条件应一致。
差异可及性不是差异表达的同义词
ATAC信号增加表示区域更容易被切割，可能为转录提供条件，却不保证附近基因立刻上调。增强子与目标基因配对、转录因子活性和时间延迟都会影响结果。
将开放区域motif与RNA模块连接时，应报告连接规则和距离边界。
技术重复与生物重复承担不同角色
技术重复帮助观察测量流程的稳定性，生物重复反映个体或独立样品差异。把同一样品重复测序当成多个生物样本，会让统计置信度虚高。
启动子富集的输入来自差异分析，因此重复单位的错误会直接传到下游。
公共数据再分析要尊重原设计
公开数据库提供大量RNA-seq和单细胞资料，但元数据质量、处理批次和许可范围不同。把多个项目合并前，需要确认组织定义、疾病标准、建库方式和样品是否重复出现。
下载到文件不代表适合回答当前问题。无法统一的条件可以做分层分析，不应强行合并成一个大样本。
结论
旧工具的价值在于背景、阈值和可复现思维，而不是把旧输入格式原样套到新数据。RNA-seq与单细胞分析必须重新定义检测机会、重复单位和证据层级。