科研根本原因分析：别再把‘人为失误’当终点

先别急着画鱼骨图。真的。

上个月跟一个做抗体药的朋友吃饭，他吐槽：项目卡了八个月，最后复盘结论是“实验人员操作不规范”。我问他，哪一步不规范？他说不上来。你看，这就是很多科研根本原因分析的通病——把“人为失误”当终点，实际上那只是起点。更麻烦的是，这种结论还会让人产生一种错觉：问题已经找到了。找到了吗？没有。它只是被命名了。

科研成果这件事，最怕的不是失败。失败很正常。最怕的是失败得不明不白，然后下一次换个项目、换个人，同样的坑再踩一遍。你说这冤不冤。

把“人为失误”当根因，等于没分析

我见过一份RCA报告，三页纸，两页半在写“加强培训”。培训是万金油吗？不是。培训能解决“移液器校准记录缺失”吗？能解决“细胞系没有做STR鉴定”吗？能解决“分析代码在本地跑通、换台机器就崩”吗？不能。它最多是补救措施，不是根因。

真正的根本原因分析，得往下挖。比如样本污染，别停在“操作不规范”。要问：污染从哪来？是试剂开封太久？是生物安全柜气流异常？是同一批耗材灭菌记录缺失？还是实验设计里根本没有阴性对照来暴露污染？根因通常不是一个点，而是一串条件同时成立。瑞士奶酪模型讲的就是这个——每层防护都有洞，洞对齐了，事故才发生。你只盯着最上面那片奶酪，当然觉得是“人不行”。

说实话，科研里的RCA比工业界更难。工业事故有明确时间线、有传感器、有班组记录。科研呢？变量多、样本少、探索性强，很多失败压根没被记录。失败数据躺在某个学生的硬盘里，文件夹名叫“final_final_真的final”。你拿什么分析？

所以第一件事，不是开会。是把失败案例当资产。失败的实验、异常的批次、跑不通的代码、被拒的投稿意见，都得进系统。别嫌麻烦。没有数据，RCA就是大型猜谜现场。

实验室最贵的变量，往往没进记录本

我特别想吐槽一个现象：很多课题组对“阳性结果”记得很细，对“异常”记得很粗。仪器报警？重启一下。批次差异？换一批。细胞长得慢？加点血清。然后呢？然后这些异常就消失了。等大问题爆出来，再回头找，啥也没有。

可根因分析恰恰靠这些“小异常”。举几个科研场景，你感受一下：

抗体特异性问题。同一个抗体，不同批次做出来条带不一样。根因可能不是抗体本身，而是抗原表位被封闭、样本降解、曝光时间差异，甚至是你换了洗膜缓冲液的配方。你不做变更点分析，就只能骂抗体厂。骂完换一家，还是不稳。

细胞系身份错误。这是老问题，但到现在还在发生。根因分析要问：谁买的？谁传的？传了多少代？有没有STR图谱？冻存管标签和ELN记录对得上吗？这些问题的答案，比“加强无菌操作”有用得多。

统计功效不足。很多“结果不显著”不是假设错了，是样本量从一开始就不够。可复盘的时候没人提这个。大家更喜欢讨论“机制不深”。机制当然重要，但你拿一个n=3、方差巨大的数据去讲机制，讲得动吗？

不过话说回来，也不能什么都怪记录。科研探索本来就有不确定性。RCA不是要把所有不确定性消灭掉，那是妄想。它要做的是：把可控制的变量控制住，把不可控制的变量识别出来，把重复出现的失败模式拦住。

这两年行业里有个明显变化：科研诚信和数据完整性审查越来越细。药监、期刊、基金机构都在看原始数据、看电子记录、看代码可用性。以前糊弄糊弄能过，现在不行了。对吧？这对RCA其实是好事。因为根因分析最怕的，就是“证据链断了”。

AI能帮你找根因？先问问数据同不同意

现在到处都在讲AI for Science。AI辅助文献挖掘、实验优化、故障预测，听起来都很香。但我得泼点冷水：AI做根本原因分析，前提是数据能喂、标签能信、因果能辨。三样缺一样，出来的就是高级一点的胡说八道。

比如你拿一堆实验记录去训模型，问它“哪些因素导致批次失败”。模型可能会告诉你：操作员A的失败率高。这看起来是根因，其实可能是A负责的恰好是难度更高的项目。混杂因素没控制，相关性就被当成因果。RCA最忌讳这个。人容易犯，AI也容易犯，而且AI犯得更自信。

那AI没用吗？有用。但用法要对。比较靠谱的路径是：先用故障树FTA或FMEA把系统结构画出来，明确哪些是顶层事件、哪些是中间事件、哪些是基本事件；再用变更点分析、时间线复盘、屏障分析去补证据；最后让AI做模式识别和假设生成。注意，是假设生成，不是拍板。拍板还得靠领域专家和实验验证。

我见过一个不错的做法：某材料课题组把每次失败的烧结实验拆成温度曲线、气氛、粉体批次、坩埚类型、升降温速率、炉膛位置等字段，坚持记了两年。后来用贝叶斯网络一跑，发现一个之前没人注意的交互项——某种坩埚在特定湿度下会引入杂质。你说这算AI的功劳吗？算，但前提是那两年枯燥的记录。没有记录，AI就是个摆设。

RCA不是复盘会上的表演

很多团队的复盘会，开着开着就变成追责会。谁做的？什么时候发现的？为什么没早说？问着问着，当事人开始防御，其他人开始沉默。最后结论：流程需优化，培训要加强。散会。

这就把根本原因分析做成了表演。真正的RCA，得有几个硬约束：

第一，对事不对人，但记录要对人。听着矛盾？不矛盾。分析时聚焦系统、流程、屏障、设计，不搞批斗；但原始记录必须能追溯到人、时间、设备、批次。否则证据链没有，分析就是空谈。

第二，结论必须可检验。“培训不足”不可检验。“某型号移液器在低容量区间校准漂移，导致加样体积偏差超过5%，进而影响标准曲线”就可检验。你可以去查校准记录，可以做加样验证，可以换设备复现。对吧？

第三，措施要分层。最弱的是提醒和培训；强一点的是流程检查；再强的是工程控制，比如仪器联锁、条码扫描、ELN强制字段；最强的是设计上让错误不可能发生，比如把易混试剂分开放、用预分装试剂、把关键步骤做成自动化。很多RCA报告只写第一层，当然反复发作。

说实话，科研不可能零失败。RCA的目标也不是零失败。它的目标是：同样的根因，别反复交学费。一个课题组一年踩三次同样的坑，那真不是运气问题，是系统没长记性。

所以下次复盘，先别急着写“人为失误”。把时间线拉出来，把变更点标出来，把失败数据翻出来，把“哪层屏障失效了”问清楚。你会发现，很多所谓的“人不行”，背后是设计不行、记录不行、验证不行。找到这些，才叫根本原因分析。