Puram 头颈鳞癌深度复现：从 GSE103322 到 p-EMT、CAF 和免疫耗竭边界

科学更正（2026-07-19）： 早期页面曾用全细胞 p-EMT score 解释 patient/site 差异，该分数受 Fibroblast/Endothelial 等基质 compartment 混杂；相关全细胞 patient/site 结论已撤回。本文现将 p-EMT 结论限制在作者标注的 Cancer 细胞内，全细胞 cell-group score 图只用于显示这种混杂边界。patient ID 按 HN/HNSCC/HNSCC_ 三种公开列名前缀统一解析：原论文纳入 18 位患者，当前公开列名可恢复 17 个患者 ID；109 个 combo pooled 细胞单列，不进入患者统计。HNSCC8 和 HNSCC23 没有作者标注的 Cancer 细胞，所以 Cancer-cell patient signature 只纳入 15 位，并在图中标出每位患者的 Cancer cell 数。

这是一篇围绕 Puram et al. 头颈鳞癌单细胞经典数据的深度复现记录。重点不在重复一张 UMAP；关键在于把 GSE103322 的特殊文件结构、患者来源、恶性细胞、CAF/基质、T cell、p-EMT、T cell exhaustion 和 hypoxia 相关信号放在同一条证据链里解释。

论文和数据来源

论文、数据和公开矩阵信息如下。这里先把来源和矩阵层级交代清楚。

Puram et al. 这篇文章的经典之处在于，它不只做肿瘤细胞聚类；关键在于把头颈鳞癌样本中的恶性细胞、成纤维细胞、T 细胞、B 细胞、髓系细胞、内皮细胞和其他低丰度群体一起作为 tumor ecosystem 来解释。原文中特别有影响力的是 partial EMT，也就是 p-EMT 相关程序，这一点后来经常被用作肿瘤侵袭、淋巴结转移和肿瘤-基质互作讨论的入口。

本文使用 GEO 公开 processed expression matrix。GEO 页面未提供 raw reads，因此本文定位是 processed matrix 层面的深度复现：复核公开 metadata、主要细胞类型、marker 证据、患者组成和 signature 方向，不声称完成 FASTQ 级重新比对。

这个数据集的公开文件很有代表性。表达矩阵里嵌入了 metadata 行，细胞列同时携带 patient、classified cancer / non-cancer、lymph node、non-cancer cell type 和 plate 等信息。如果不先解析这些 metadata，后面的表达矩阵会被读错，甚至可能把说明行当成基因。Puram 这篇深度复现的第一层工作，就是把公开文件重新拆成“细胞信息”和“表达值”两部分。

processed matrix 的边界也要放在前面。本文可以讨论 Cancer、Fibroblast、T cell、B cell、Macrophage、Dendritic cell、Endothelial 等 cell group 是否能被 marker 支持，也可以复查 p-EMT、T cell exhaustion、hypoxia 和 fibroblast/ECM score 的表达位置；但不能从这个文件里重新评估 reads 比对、细胞过滤、CNV、恶性细胞判定流程或原文所有统计模型。

为什么这篇值得单独做加深分析？

主体复现已经能展示主要 UMAP、marker 和几个 score。但这篇文章值得加深的是三件事。

第一，文件结构本身就有复现门槛。GSE103322_HNSCC_all_data.txt.gz 的前几行不等于基因；逐细胞 metadata；如果不先拆解这些行，很容易把 metadata 当成表达矩阵。

第二，肿瘤单细胞数据必须保留 patient context。HNSCC 样本之间细胞组成差异很明显，不能把某个患者主导的信号写成普遍规律。

第三，p-EMT、T cell exhaustion 和 hypoxia 这些词很容易被写重。严肃复现应该区分“公开矩阵中能看到 signature 倾向”和“机制已经被证明”这两件事。

这里还要加上第四点：HNSCC 这类肿瘤生态系统数据，必须同时读 malignant、stromal 和 immune 三条线。p-EMT 往往在恶性细胞和基质/ECM 背景之间发生解释纠缠；T cell exhaustion 只能在 T cell compartment 内部更合理；hypoxia score 可能受肿瘤细胞状态、检测深度和应激反应共同影响。如果不先把三条线拆开，文章会把所有高分都写成一个笼统的“肿瘤进展机制”。

Puram 数据适合深度复现，正是因为它给了我们足够多的交叉检查点：cell group、patient、site flag、marker、signature 和 selected marker heatmap。每一个检查点都不能单独决定结论，但它们组合起来，可以把公开 processed matrix 中能看见的 tumor ecosystem 写得更稳。

这篇文章的难点也在这里。HNSCC 不是一个只看恶性细胞就能讲完的数据集，CAF、T cell、myeloid、endothelial 等微环境细胞会影响对 p-EMT、hypoxia 和 exhaustion 的解释。深度复现要做的是把这些信息拆开再合上：先分别确认 malignant、stromal、immune 的证据，再讨论它们在 patient 和 site 背景下的组合。若把所有 score 放在一张图里直接升格成机制，文章看起来热闹，结论反而会变薄。

这篇文章要避免的三种偷换

第一种偷换，是把 p-EMT score 直接写成转移。p-EMT 是原文有影响力的方向，但公开矩阵里的 score 只是代表基因表达倾向。若要把它写成转移机制，需要结合 malignant cell 内部分析、site 信息、患者来源、原文模型和更多验证。本文只把它写成公开矩阵中可见的 p-EMT-like 程序。

第二种偷换，是把 fibroblast/ECM 信号写成空间邻近。CAF 和 ECM marker 能说明基质相关表达存在，但没有空间坐标时，不能说明这些细胞和某些 malignant cell 在组织中邻近。Puram 这篇能支持 tumor ecosystem 的表达层面复核，不能替代空间病理或组织切片证据。

第三种偷换，是把 exhaustion score 写成免疫治疗反应。PDCD1、LAG3、HAVCR2、CTLA4、TIGIT、TOX 等基因可以提示 T cell exhaustion-like 方向，但没有 TCR、抗原特异性、治疗信息和功能验证时，文章只能谈表达程序，不能推断免疫治疗结局。

深度复现方法与流程

本文的处理顺序从数据层级开始：解析 GSE103322 processed matrix 中嵌入的 metadata 行；整理 classified cancer / non-cancer、lymph node、non-cancer cell type、patient 和 plate 信息；保留公开矩阵表达值，复核主要 cell group 和 patient-level composition；使用 marker dotplot 检查恶性上皮、T/B 细胞、髓系、内皮和 fibroblast/CAF 证据；基于 p-EMT、T cell exhaustion、hypoxia 和 fibroblast/ECM gene set 计算探索性 score；增加 site composition、patient balance、signature heatmap 和 selected marker heatmap，用于深度解释；把结果与原文主线和公开数据边界逐项对照。这组处理先确认公开矩阵能支撑哪些问题，再把结果图解释限制在当前证据内。

处理这类文件时，最容易出错的地方通常不在算法参数，而在矩阵和 metadata 的边界。Puram 的公开文件把说明性信息和表达矩阵放在同一个文本文件中，复现时需要先识别哪些行是逐细胞 metadata，哪些行才是基因表达。若把前几行说明当成基因，marker、score 和 UMAP 都可能继续生成，但生物学解释已经错了。

因此本文的分析顺序刻意从文件结构开始，而不是直接进入降维。先确认 patient、lymph node、classified cancer / non-cancer 和 non-cancer cell type，再做 cell group、marker 和 signature。这个顺序看起来慢，但它能守住肿瘤单细胞复现的边界：患者来源、组织来源和 cell group 结构没有确认前，不应讨论 p-EMT、耗竭或缺氧这类更吸引人的词。

数据规模和主要组成

公开矩阵进入分析前，先确认数据层级和规模。

从组成上看，Cancer、Fibroblast 和 T cell 是这组数据的三个主要支柱。B cell、Macrophage、Dendritic cell、Mast cell、Endothelial 和 Myocyte 也存在，但部分群体细胞数较少，适合做 marker 复核，不适合过度拆分。

图 1. 头颈鳞癌 tumor ecosystem 的主要细胞群 UMAP。Cancer、Fibroblast 和 T cell 构成主要结构，低丰度免疫和内皮群体提供微环境背景。

图 1 先回答“这组公开矩阵能不能恢复 tumor ecosystem 的大结构”。Cancer、Fibroblast 和 T cell 是最主要的三条线，B cell、Macrophage、Dendritic cell、Mast cell、Endothelial 和 Myocyte 则提供微环境背景。这个结构说明后续可以讨论 malignant-stromal-immune 平衡，但不能把低丰度群体拆得过细。

这里的组成必须和采样设计一起读。它能说明当前公开矩阵里哪些群体被观察到、样本或组织标签是否均衡，但不能直接外推成真实组织比例或临床差异。对于 HNSCC 这种患者差异很强的数据，细胞群比例更适合作为后续解释背景，而不是临床结论。

图 1 还提示了后续文章应按 compartment 组织。Cancer 细胞负责恶性上皮和 p-EMT 相关问题，Fibroblast 更接近 CAF/ECM 背景，T cell 是 exhaustion-like 程序的合理解释范围，Macrophage/Dendritic/Endothelial 等低丰度群体提供微环境补充。把这些 compartment 混在一起比较 score，容易得到看似强烈但很难解释的全局差异。

patient effect：先看来源，再讲状态

图 2. UMAP 按 patient 着色。不同患者在表达空间中并不完全均匀混合，提示 patient-level heterogeneity 是解释 p-EMT、CAF 和 T cell signal 时必须保留的背景。

图 2 把 patient context 放到最前面。不同患者在表达空间中的分布并不均匀，这说明后面的 p-EMT、CAF、T cell exhaustion 和 hypoxia 不能只看全体细胞平均。某个患者贡献了更多 Cancer 或 Fibroblast，都会影响全局 score 的形状。

读这部分先看数据入口是否可靠。细胞数、基因检测、样本标签和矩阵层级决定了后面所有图能解释到哪里；如果这些信息没有对齐，后续降维、marker 和组成图都只能算视觉结果，不能作为复现证据。

patient effect 对 Puram 数据不是该删掉的噪音，它是解释肿瘤生态系统时必须保留的变量。肿瘤单细胞数据经常同时包含真实患者差异、取样差异、组织来源差异和技术差异。公开复现无法一次性拆清全部来源，但至少要把 patient 标签放到图上，让读者知道某个信号是否可能由少数患者主导。

图 3. 患者层面的主要细胞群比例。不同患者中 Cancer、Fibroblast 和 T cell 的比例差异明显。

这两张图说明，肿瘤单细胞复现不能只看总体图。患者 A 的主要结构可能由恶性细胞主导，患者 B 可能有更高基质比例，患者 C 可能 T cell 更明显。若不把 composition 放进去，后续 signature score 很容易被误解。

患者组成图还有一个作用：它帮助决定后续分析应该在哪里分层。p-EMT 最好在 Cancer 细胞内读，CAF/ECM 程序最好回到 Fibroblast 或 stromal 背景，exhaustion 更适合在 T cell 子集里解释。如果所有细胞混在一起看，patient composition 会把这些问题混成一个平均值。

这一步也是后续建模的入口。若要把 p-EMT 与 site 或 clinical feature 联系起来，最低限度也要按 patient 和 cell group 汇总；若要比较 exhaustion-like 程序，则应在 T cell 内部做子集分析。本文作为公开复现，只展示 composition 和 signature 的基本证据，不把它直接写成患者分型。

主要细胞身份是否有 marker 支撑？

图 4. 主要 cell group 的 marker dotplot。Cancer 细胞中上皮/鳞癌相关 marker 更突出，Fibroblast 中 ECM/CAF marker 更高，T/B/髓系/内皮群体也有对应 marker 证据。

marker dotplot 是这篇复现的底层证据。公开 metadata 给出标签，但标签必须用表达支撑。Cancer 细胞中的 EPCAM、KRT5、KRT14、TP63 等信号，Fibroblast 中的 COL1A1、COL1A2、DCN、VIM、MMP2 信号，T cell 中的 CD3D/CD3E/NKG7/PDCD1 等信号，共同支持了主要 compartment 的划分。

图 5. 选定 marker 的 cell group-level mean expression heatmap。它把 marker dotplot 中的关键信号压缩成一张热图，便于比较恶性上皮、CAF、T cell、髓系和内皮的方向。

图 5 的作用是把 marker dotplot 的信息压到 cell group 层面。Cancer、Fibroblast、T cell、B cell、myeloid 和 endothelial 方向如果在平均表达上也能分开，说明主要标签并不只是 UMAP 上的颜色，而有成组 marker 支撑。

这类图要按成组证据来读。单个基因高表达只能提供线索，只有 marker panel、signature score、metadata 和组成信息互相支持时，才适合写成细胞身份、状态或谱系倾向。对于低丰度群体，heatmap 只能作为方向检查，不能直接支撑很细的亚型结论。

图 4 和图 5 合在一起，可以防止两个常见误读。一个误读是完全信任 metadata，把作者标签原样搬进文章；另一个误读是只看 UMAP 形状，忽略 marker 是否支持。Puram 这种肿瘤数据必须两边都看：metadata 给出 cell group 起点，marker 检查这些标签是否与表达信号一致。

p-EMT、T cell exhaustion 和 hypoxia：看见信号不等于机制闭环

图 6. p-EMT 相关程序评分。该 score 用于观察 TGFBI、VIM、MMP2、LAMC2、ITGA5、SERPINE1 等基因构成的表达倾向。

p-EMT 是原文最重要的方向之一，但复现时必须谨慎。p-EMT gene set 中包含 ECM、迁移、应激和上皮状态相关基因，它可能在恶性细胞和基质相关区域同时出现。因此，正确表达应该是“公开矩阵支持 p-EMT 相关表达程序的可见性”，而不等于“单靠这张图证明了转移机制”。

这张图的下一步读法应该回到 Cancer compartment。若 p-EMT score 主要在 malignant cell 内部变化，可以继续做 malignant-only program 分析；若 score 受 Fibroblast 或 ECM-rich 区域影响，就要区分恶性细胞程序和基质背景。没有这一步分层，p-EMT 很容易被写成一个含义过宽的肿瘤进展标签。

图 7. T cell exhaustion 相关 score。PDCD1、LAG3、HAVCR2、CTLA4、TIGIT 和 TOX 提供耗竭相关表达线索，但仍需在 T cell 子集中继续细分。

图 7 只能在 T cell 语境下解释。若把 exhaustion score 放到全体细胞里排名，很容易被 T cell fraction 影响。更合适的读法是把 T cell 取出，继续拆 CD8 cytotoxic、Treg、cycling T、exhausted-like 或 memory-like 方向，再看这些 marker 是否成组出现。

T cell exhaustion 还需要避免另一个过度解释：PDCD1、LAG3、HAVCR2、CTLA4、TIGIT、TOX 等基因的共表达可以提示耗竭样程序，但没有 TCR 克隆、抗原特异性、治疗信息和功能验证时，不能把它写成免疫治疗反应预测。本文只把它作为 T cell compartment 内的表达状态线索。

图 8. Hypoxia 相关 score。VEGFA、CA9、LDHA、ALDOA、ENO1 和 SLC2A1 帮助观察缺氧相关表达趋势。

这些 score 的共同作用是帮助定位表达程序，而不等于替代模型和实验。尤其是 T cell exhaustion，下一步应在 T cell 子集内重新聚类，区分 CD8 cytotoxic、Treg、exhausted-like 和 memory-like 状态；不能直接从全图 score 得出免疫治疗相关结论。

图 6-8 合在一起，展示了这篇文章最容易被写过头的三类信号。p-EMT、exhaustion 和 hypoxia 都是很有吸引力的词，但在公开 processed matrix 里，它们先是表达方向。深度复现要让读者看到这些方向在哪里、由哪些细胞贡献、是否和 patient/site 背景有关，而不是把它们直接升级成机制结论。

Hypoxia score 也要放回数据层级里。VEGFA、CA9、LDHA、ALDOA、ENO1、SLC2A1 等基因可以反映缺氧或代谢相关表达趋势，但它们也可能受肿瘤细胞状态、检测深度、应激和样本处理影响。若要把 hypoxia 写成肿瘤区域或治疗相关机制，需要空间定位、病理区域或更多临床信息。本文只讨论公开矩阵中可见的缺氧相关表达倾向。

深度图 1：原发/淋巴结标记下的组成差异

图 9. 根据公开 metadata 中 lymph node 标记整理的 cell group composition。这个图帮助区分 site flag 与细胞组成之间的关系。

组成和交叉表需要回到采样、分选和处理流程里解释。它能说明当前公开矩阵中哪些群体被观察到、哪些标签互相吻合，但不能直接外推成组织真实比例、临床差异或完整空间生态。

这个图的价值不等于给出原发和转移的完整比较；它提醒我们：sample-site flag 是解释肿瘤生态系统的必要 metadata。如果某个细胞群主要来自某类 site，后续把它写成全局结论就需要更加保守。

site composition 图还可以帮助读者判断 p-EMT 相关问题是否值得继续。若某些 site flag 下 Cancer/Fibroblast/T cell 构成差异明显，p-EMT score 的比较就必须控制组成和 patient。否则，一个看似“转移相关”的信号，可能只是来自不同患者或不同 cell group 组成。

深度图 2：患者层面的 malignant-stromal-immune 平衡

图 10. 每个患者的 Cancer fraction 与 Fibroblast fraction，点大小表示 T cell fraction。它把患者组成差异压缩成 malignant-stromal-immune 三角关系的一个简化视图。

这个图适合用于快速判断患者之间的主要差异。有的样本更偏 malignant-rich，有的样本更偏 fibroblast-rich，也有样本 T cell fraction 更明显。它不等于正式统计模型，但非常适合在报告中提醒读者：肿瘤单细胞的信号解释要回到患者组成。

图 10 的意义在于把三个主要 compartment 放到同一个平面。p-EMT 往往在 malignant 与 stromal 解释之间摇摆，T cell exhaustion 又受 T cell fraction 影响。用 patient balance 先看 malignant-stromal-immune 背景，可以减少后面把单一 score 读过头的风险。对实际项目来说，这类图往往比单独一张彩色 UMAP 更能帮助研究者判断下一步该分析哪一类细胞。

深度图 3：signature 在 cell group 和 patient 层面的变化

图 11. p-EMT、cell cycle、hypoxia、T cell exhaustion 和 fibroblast program 在不同 cell group 中的中位数。它帮助判断 signature 主要由哪些细胞群贡献。

图 11 的关键是把 signature 放回 cell group。p-EMT 如果主要来自 Cancer 和 Fibroblast 邻近方向，解释时就要区分恶性细胞程序和基质背景；T cell exhaustion 如果主要来自 T cell，后续就应进入 T cell 子集；fibroblast program 如果集中在 Fibroblast，说明它更适合解释 CAF/ECM 背景。

组成图必须和采样设计一起读。它能说明当前公开矩阵里哪些群体被观察到、样本或组织标签是否均衡，但不能直接外推成真实组织比例或临床差异。

图 12. 17 个可恢复患者 ID 中，15 位存在作者标注的 Cancer 细胞并进入热图；HNSCC8 和 HNSCC23 的 Cancer cell 数为 0。每行标签给出 Cancer cell 数，109 个 pooled combo 细胞已排除。

这两张图把“细胞群”和“患者”两个层面分开。一个 signature 可能在某类细胞群中更高，也可能因为某个患者细胞组成不同而在 patient-level 更突出。深度复现必须把这两件事拆开，否则容易把组成差异当成状态差异。

图 12 用来定位后续建模问题。HNSCC10 只有 1 个 Cancer 细胞，HNSCC12 有 4 个，HNSCC13 有 7 个，HNSCC24 和 HNSCC7 各有 6 个；这些中位数与数百个 Cancer 细胞的患者不能按同等稳定性阅读。更强的 patient-level 结论需要最低细胞数门槛、按 cell group 的 pseudobulk、site 控制和更多患者。

这里也能看出 processed matrix 深度复现的合理上限。公开列名可识别 17 个患者标签，另有 109 个 pooled-combo 细胞；它们不能混成同一种统计单位。Cancer-cell heatmap 的实际患者分母是 15，且每位 Cancer cell 数从 1 到 662 差异很大。本文的 p-EMT patient/site 汇总只使用 Cancer 细胞，其他 program 也应分别放回对应 compartment。

与源论文主线的对照

本文与源论文主线一致的地方包括：公开矩阵能恢复 HNSCC tumor ecosystem 的主要细胞类型；Cancer、Fibroblast 和 T cell 是主要结构；p-EMT 相关信号在公开矩阵中可见；患者和 site context 对解释结果需要先确认。

本文没有完成的部分同样需要明确。第一，没有 raw reads，因此没有 read-level QC 和重新比对。第二，没有重做全部 malignant program 或 CNV 推断。第三，没有在 T cell、CAF、myeloid 内部分别做完整亚群 taxonomy。第四，没有把 p-EMT、exhaustion、hypoxia score 扩展为临床机制结论。

这个边界和原文主线并不冲突。Puram 原文的力量来自多层证据：恶性细胞程序、p-EMT、CAF 关系、免疫 compartment 和临床/组织背景。本文只复核公开矩阵层面的可见结构，因此应当把结论写成“公开数据中仍能读出这些方向”，而不是“完整重做了原文生态系统模型”。

对于项目复用来说，这样写更有价值。它告诉读者：如果手里只有 processed matrix，仍然可以整理出主要 cell group、patient composition、site flag、marker 和 signature；如果要往机制走，就必须补 raw reads、CNV、子集 taxonomy、临床信息或空间证据。

这也是 Puram 这篇相较普通图谱复现更能体现深度的地方。它同时包含 malignant-stromal-immune 三条线，是一个肿瘤生态系统数据集。文章里的每个结论都要回答“这个信号来自哪类细胞、是否受患者组成影响、是否有 site 背景、是否只是表达程序”。这些问题回答清楚，公开矩阵才能变成可复用的研究材料。

如果把 Puram 做成项目级深挖，还缺什么？

第一，需要 malignant-only 分析。p-EMT 相关问题应优先在 Cancer 细胞内讨论，必要时结合 CNV 或 malignant identity 复核。公开 metadata 给出 classified cancer 信息，但若要讨论恶性细胞内部状态转化，最好回到更完整的 malignant cell 证据。

第二，需要 fibroblast/CAF 子集分析。Fibroblast 是这组数据的主要结构之一，CAF/ECM program 与 p-EMT 的解释关系很近。继续深入时，应把 Fibroblast 单独取出，检查 COL1A1、COL1A2、DCN、LUM、MMP2、ACTA2 等 marker 的组合，而不是只用一个全局 fibroblast score。

第三，需要 T cell 子集分析。T cell exhaustion 相关 score 只有在 T cell 内部才有更清楚的解释空间。继续深入可以拆 CD8 cytotoxic、Treg、cycling T 和 exhausted-like 状态，并检查 PDCD1、LAG3、TIGIT、TOX、GZMB、NKG7 等 marker 是否形成合理组合。

第四，需要 patient/site-aware 模型。p-EMT、hypoxia、CAF/ECM 和 exhaustion 都可能受到 patient composition 和 lymph node flag 影响。更严肃的做法是按 patient 和 cell group 汇总，做 pseudobulk 或 mixed model，而不是用所有细胞混合后的 score 直接排序。

深度解读：这篇复现应该怎么读？

这篇复现回答了什么？

它回答的是：GSE103322 processed matrix 是否足以复核头颈鳞癌单细胞生态系统中的 malignant、stromal 和 immune 主轴，以及 p-EMT、T cell exhaustion、hypoxia 等原文主要方向的表达可见性。答案是可以，但解释必须保留 patient 和 site context。

raw / processed matrix 的边界在哪里？

本文使用 processed matrix，不等于 FASTQ 级重跑。它能支持 marker、composition 和 score 层面的公开复现，不能支持重新定义 read-level QC、比对、UMI 计数、CNV 推断完整流程或原文全部统计模型。

主图应该怎么读？

先看图 1-3，明确细胞类型和患者组成；图 4-5 判断注释是否有 marker 支撑；图 6-8 读 p-EMT、exhaustion 和 hypoxia 的表达位置；图 9-12 再把 site、patient 和 signature 放在一起检查。

哪些地方不能过度解释？

不能把 p-EMT score 直接写成转移机制，不能把 T cell exhaustion score 写成免疫治疗反应，不能把患者组成差异写成普遍规律，也不能忽略低丰度群体的统计不稳定性。

如果继续深入，下一步做什么？

下一步可以在 Cancer 细胞内做恶性程序和 CNV-aware 分析，在 T cell 子集中做耗竭/细胞毒/Treg 拆分，在 Fibroblast 子集中做 CAF/ECM 状态拆分，并把原文 p-EMT gene set 与当前公开矩阵 score 做逐项对照。

小结

Puram HNSCC 深度复现说明，一篇严肃的肿瘤单细胞复现不能只停留在 UMAP。更有用的是把公开矩阵结构、metadata、patient composition、marker 证据、signature score 和复现边界连起来。这样得到的文章既能说明原文主线为什么成立，也能告诉读者哪些结论只能作为公开矩阵层面的观察，不能被写成机制定论。