模型看到的是共变，不是原因
无监督模型可以把表达相似的样本放在一起，也能标记远离主要分布的样本。它能提示实验室、平台或处理条件可能形成结构，却不知道这个结构是技术偏差还是重要生物差异。
如果疾病组恰好来自一个批次，算法将无法仅凭矩阵拆开两种解释。研究设计和元数据仍然是判断原因的核心。
异常样本不应自动删除
离群点可能来自低质量测量，也可能代表罕见但真实的生物状态。删除前应检查原始信号、样本注释、实验记录和同组重复。自动规则适合排序调查优先级，不适合直接改变数据集。
保留模型版本、输入字段和阈值，可以让团队复查为何某个样本被标记。没有这些记录，AI结果会变成无法解释的黑箱标签。
校正前后都要重新回答研究问题
批次校正可能减少技术差异，也可能削弱与批次相关的真实信号。比较校正前后的主成分、已知标志和下游结果，能够帮助判断模型改变了什么。
OixCloud客户端可用于同步处理配置与结果摘要，但不应把“已校正”当作永久状态。加入新批次或更新注释后，原有判断需要重新评估。
训练资料决定异常的含义
异常检测模型若主要学习某个平台的样本，面对另一平台时可能把正常技术差异全部标成异常。上线前需要用不同实验室、平台和生物条件测试，并观察错误是否集中在特定群体。
模型输出最好包含距离、置信范围或影响特征，而不是只有正常与异常两个标签。可解释信息不能证明模型正确，但能帮助研究者发现明显不合理的依据。
人工复核也需要一致规则
让不同研究者自由判断异常，可能引入新的主观差异。团队可以事先定义需要查看的图、原始质量指标和保留条件，再记录最终决定及理由。
AI适合把大量样本排序，人工复核负责结合实验背景作出决定。两者的分工清楚，才能避免自动删除真实稀有信号，也减少完全依赖个人经验。