两个平台可能没有测量同一组对象
miRNA芯片依赖预先设计的探针，qPCR依赖引物与扩增体系，小RNA测序则从样本中的序列读段建立计数。它们覆盖的miRNA集合、对近缘家族的区分能力和低丰度检测方式都不同。结果表中出现同一个名称，并不能证明底层测量对象完全一致。
比较前应取得平台注释、探针或目标序列、数据库版本和物种信息。若其中一项缺失，就要降低映射确定性，而不是用名称相同填补证据空白。
表达数值的尺度来自不同过程
芯片强度、qPCR循环阈值和测序读段数不是同一种单位。即使经过标准化，也只能在各自方法的假设下减少部分技术差异。把三类数值放进同一列，会让后续模型误以为它们具有共同尺度。
更合适的方法可能是分别分析方向和排名，或在有共同样本的条件下建立平台间校准。选择何种策略取决于研究问题，不能用一种转换公式处理所有场景。
归一化会重新定义比较基准
测序数据常按文库大小或组成进行归一化，芯片可能使用分位数或参考信号，qPCR则可能依赖内参。不同基准会改变相对表达的解释。一个miRNA看似上升，有时是目标信号增加，也可能是总体组成变化使其相对比例提高。
整合时应保留原始值与标准化值，并记录方法、参数和排除条件。只保存最终矩阵，会让平台差异与生物差异无法分开。
批次效应不能只靠平台标签解释
平台与批次经常重叠，例如旧队列全部使用芯片，新队列全部使用测序。此时统计模型很难区分年份、样本处理和平台的影响。即使使用批次校正，也不能从数据中创造不存在的交叉设计。
在研究设计阶段加入跨平台重复样本，比分析结束后寻找校正方法更有效。若无法补充，应明确承认平台与队列混杂，避免把校正后的图形视为完全消除偏差。
相关性高不等于数值一致
两个平台的结果可能具有较高相关性，但一个平台整体偏高或在低丰度区间压缩差异。相关系数描述共同变化趋势，不直接检验绝对一致性。若研究需要阈值判断或临床分层，系统偏差会产生实际影响。
除了相关图，还可以查看差值随均值变化、动态范围、缺失模式和重复样本变异。比较指标要与最终用途一致。
先确定可以共同回答的问题
若目标是寻找多个队列中方向一致的候选，可以在各平台内部完成分析，再比较效应方向和证据。若目标是训练一个使用绝对表达值的模型，则需要更严格的校准、共同样本和外部验证。
把研究问题写清楚以后，才知道应整合原始数值、标准化结果、排名还是统计效应。没有问题边界的“大合并”往往只得到一张规模更大但难以解释的表。
名称统一属于必要但不充分条件
跨平台注释工具可以帮助确认哪些探针或记录可能对应同一成熟序列，也能标出旧名称和当前名称的关系。这一步减少对象错配，却不会自动解决测量和归一化差异。
结果报告应把对象映射、数值处理和统计比较分成三个层级。每个层级都说明输入、方法和未解决问题，读者才能判断结论来自哪里。
为无法整合的记录保留位置
某些平台特有记录、模糊探针或低质量序列可能无法获得可靠对应。删除它们之前应统计数量、分布和是否集中在特定版本。若这些记录与研究主题有关，排除本身可能改变结论。
无法整合并不等于数据没有价值。它们仍可在原平台内部分析，只是不应被包装成跨平台共同证据。
最终结果需要独立验证
跨平台分析得到候选后，最好在未参与建模的数据或独立方法中验证。验证失败可能来自生物差异，也可能说明映射和标准化仍有问题。应回到每一层检查，而不是只调整显著性阈值。
可重复的整合不是让所有平台得出相同数字，而是让每个差异都能追到测量、版本或样本条件。
检测下限会制造不同的缺失图形
平台对低丰度信号的处理不同。一个平台可能保留接近背景的连续值，另一个平台则在阈值以下记为未检出。把未检出统一填零，会人为增加平台之间的差异。
比较缺失模式时，应查看它是否与丰度、批次或特定序列家族有关。非随机缺失需要在模型与结论中保留。
样本前处理可能早于平台差异发生
RNA提取方法、保存时间、溶血和输入量都会影响miRNA谱。若两个平台使用的样本处理流程不同，观察到的差异不能全部归因于仪器。
共同样本设计最好从同一份提取物分装，减少前处理差异。若历史数据无法做到，应把流程差异列为解释边界。
动态范围影响倍数变化
某些平台在高信号区趋于饱和，另一些平台在低信号区噪声较大。同一真实变化可能在不同区间呈现不同倍数。
比较效应时应查看基线丰度和平台响应范围。单独使用倍数变化排序，容易让接近检测边界的记录占据前列。
平台间校准需要独立于最终检验
如果用全部样本同时估计校准关系并检验组间差异，可能把研究信号带入校准。更可靠的设计使用训练样本建立关系，再在独立样本中评估。
校准模型也应报告适用范围。超出训练浓度、组织或平台版本时，不应默认仍然有效。
元分析有时比合并原始值更合适
当平台尺度无法统一，但各研究可以独立估计效应时，可以在研究层面合并效应和不确定性。这样保留平台内部比较，也避免假设原始数值可互换。
元分析仍需确认研究对象和名称映射一致，并评估异质性。它不是绕过数据质量问题的捷径。
验证失败时回到哪一层
候选在独立平台中没有复现时，先检查对象映射，再检查测量范围、样本差异和统计不确定性。直接把失败解释成“平台不准”过于简单。
保留验证失败的条件，可以帮助后续研究选择更合适的平台或缩小结论，而不是只保留成功故事。
样本配对比增加样本量更能解释平台差异
如果同一个生物样本分别进入两个平台，个体差异被固定下来，平台之间的系统偏差更容易识别。若两个平台使用完全不同的人群，即使总样本很多，也难以判断差异来自平台还是样本组成。
配对设计还可以观察差异是否随表达丰度变化。高丰度区一致而低丰度区分散，提示检测下限与噪声值得进一步检查。
预分析计划可以减少结果导向的选择
跨平台整合有许多可选步骤，包括过滤阈值、归一化、重复探针处理和批次校正。如果研究者在看见结果后不断更换方法，很容易选择最符合预期的版本。
在正式分析前写明主要方案、备选方案和触发条件，能够区分预设判断与探索性调整。探索结果仍有价值，但应在独立数据中验证。
效应大小比显著与否提供更多信息
一个平台达到统计显著、另一个没有，并不自动表示平台结果冲突。样本量、变异和检测精度都会影响显著性。应比较效应方向、大小和不确定区间。
若效应方向一致但区间较宽，可以写成证据不足；若方向相反，则需要检查映射、样本条件和测量机制。二元标签会丢失这些差异。
技术重复与生物重复回答不同问题
同一样本重复测量主要反映平台技术稳定性，不同个体或独立样本才支持生物变异判断。把技术重复当成独立生物样本，会低估不确定性。
跨平台验证最好同时包含技术重复和生物重复。前者帮助定位仪器与流程，后者评估结论能否推广到新的样本。
平台升级也会产生内部版本差异
同一厂商平台可能更新芯片设计、试剂、软件和注释包。只记录品牌名称不足以复现测量条件，应保留具体型号、批次和分析版本。
跨年份数据即使来自同一平台，也要检查版本变化。内部升级造成的断点有时与跨平台差异一样明显。
跨平台结论应该采用分层语言
可以把结果区分为平台内稳定、跨平台方向一致、数值经过校准可比较，以及只在单一平台出现。每个层级对应不同证据强度。
这样的表述不会削弱发现，反而让读者知道哪些结果适合生成假设，哪些已经获得独立支持。
图形中的批次颜色不能代替统计模型
降维图或聚类图可以直观看到平台分组，但颜色分离不说明差异一定来自平台。样本类型、处理时间和质量也可能与颜色重叠。
可视化适合发现模式，正式判断仍需模型、对照设计和不确定性。不要仅凭一张图决定删除整批样本。
特征选择应在每个训练折内完成
建立预测模型时，如果先用全部数据挑选跨平台稳定miRNA，再进行交叉验证，验证样本的信息已经参与特征选择，性能会偏高。
映射、过滤、归一化和特征选择都应在训练部分完成，再把固定规则应用到验证部分。
报告负结果可以减少重复成本
某个平台组合无法获得稳定映射或校准时，公开失败条件能够帮助其他团队判断是否值得重复。负结果应说明样本、版本、方法与失败标准。
只说“平台不兼容”过于笼统。具体边界才具有可迁移价值。
整合后的数据仍应保留平台标签
即使完成校准，也不应删除原平台和批次字段。后续分析需要检查残余偏差，读者也需要知道每个值如何产生。
隐藏平台标签会让矩阵看起来统一，却切断了最重要的技术来源。
同一平台的实验室流程也可能不同
两个实验室使用相同型号，不代表结果自然一致。样本保存、试剂批次、操作时间和质量门槛都会进入测量过程。
跨机构合作应交换标准操作、质量指标和少量共同样本，而不是只交换平台名称。
比较方法要与数据分布匹配
miRNA表达常包含偏态、零值和少数高丰度记录。直接使用依赖正态和恒定方差的比较，可能让平台差异被错误放大或缩小。
选择模型前应检查分布、离群和均值方差关系，并在报告中说明变换。统计处理无法替代注释核对，但会决定数值如何被比较。
结果表应显示哪些值经过估计
校准、批次校正或缺失填补会产生估计值。输出应通过字段或说明区分原始测量与模型调整结果。
若后续团队把估计值当成原始信号继续分析，不确定性会被低估。
复现资料要覆盖平台特有参数
共享数据时，除通用样本表外，还应提供探针注释、比对参数、引物信息或平台质量报告。只提供统一后的矩阵，别人无法判断差异在何处被处理。
无法公开完整文件时，也应列出参数名称、版本和处理原则。复现并不要求暴露敏感样本，但需要保留决定结果的技术条件。