从WB条带到Excel小数:科研造假进入“数字取证时代”

过去，科研不端调查最醒目的证物是一张图：重复的Western blot条带、被旋转的荧光视野、被涂掉的细胞。现在，越来越多争议从一张Excel表开始——两组独立实验共享同一串数字，35行数据整齐相差0.3，占位值穿过版本管理进入正式论文，甚至一段上千小时的曲线像复印件一样再次出现。

先把结论放在前面：不是图像造假退场、数字造假接班，而是科研审查多了一套机器可读的证据。 图像问题仍然大量存在；变化在于，Source Data、开放仓库和可下载的Excel让数字第一次能够像图片一样被批量比对。

这也带来一个必须反复强调的边界：数字异常可能来自蓄意操纵，也可能来自复制粘贴、公式错行、归一化、舍入、仪器分辨率或版本混乱。发现指纹，是调查的起点；认定造假，需要原始记录、作者解释、期刊处理和机构调查继续往前走。

第一幕：图像为什么曾经是最容易露馅的地方

生命科学论文长期依赖Western blot、凝胶、电镜、组织切片和荧光显微图。图片既是数据，也是叙事：一条更深的条带、一片更亮的荧光，往往就是“机制成立”的直观证据。

这类材料也天然适合被肉眼审查。常见指纹包括：

• 同一条WB条带被复制到不同蛋白或不同处理组；• 若干泳道被切下、翻转、拉伸，再拼成一张“完整”胶图；• 同一显微视野被裁剪、旋转、镜像或重新着色，冒充不同实验；• 用邻近背景覆盖不需要的细胞、斑点或条带；• 调整局部亮度、对比度或曝光，使某一信号选择性消失或增强。

2016年，Elisabeth Bik等人逐篇检查了40种期刊、1995—2014年发表的20,621篇生物医学论文。782篇、即3.8%，含有不恰当的图像重复。研究者把问题分为三类：简单重复、经过移动或旋转的重复、以及伴随局部修改的重复。后两类需要更多主动操作，因此比单纯的排版误贴更令人担忧。

这项工作最重要的贡献，不是证明每一张重复图片都出于故意，而是把“看着不对”变成了可复核的分类。

绿色框、红色框、透明叠图和背景噪声，都让两个本来相隔数页的panel重新对齐。

美国科研诚信办公室近年的调查也说明，图像问题并没有成为历史。公开结论中仍能看到Western blot被重复、重标、拼接，免疫荧光区域被修改，或无关实验图像被拿来代表新的蛋白和条件。所谓“从图像转向数字”，不是替代关系，而是审计范围的扩张。

第二幕：为什么现在轮到数字说话

图片时代的审查有一个限制：你只能检查论文展示出来的那部分。原始表格长期锁在实验室电脑里，读者看到的是柱状图、均值、误差线和一两个代表性视野。

近年来，越来越多期刊要求上传Source Data；Dryad、Zenodo等仓库保存原始或半原始数据；PubPeer评论者也开始直接检查Excel、CSV和GraphPad文件。于是，数字获得了三个图像不具备的新属性：

第一，可以逐格精确比较。 两张图片“相似”还需要判断；两段浮点数是否逐项相同，可以给出确定答案。

第二，可以跨整篇论文搜索。 同一段数字藏在不同工作表、不同图和不同补充材料里，也能被算法找到。

第三，可以检查生成规律。 差值、比值、小数尾、残差、分布和公式引用，都可能暴露数字怎样被加工。

2026年，一个名为Science Detective的项目把这种思路做成了扫描工具。开发者从Dryad中含Excel文件的数据集开始，先找重复，再用模型和人工排除正常的固定参数、重复编码等假阳性。Retraction Watch报道，在已完整分析的约600篇论文中，最终约3%的数据集被认为存在需要进一步核查的问题；当时已有18个数据集被列为可能严重到需要更正。项目方同时强调，多数问题未必是蓄意篡改。

这句话很重要：批量扫描提高的是发现率，不是定罪率。

数字操纵或失控，至少留下十二类指纹

这些“方法”不值得学习，但它们的失败痕迹值得记住。按数据从采集到发表的路径，至少可以归为十二类。

1. 整段复制：不同样本共享同一串生命史

在一篇2016年的Cell帕金森病肠脑轴论文中，公开工作簿显示，两组不同菌群条件的小鼠行为数据各有5个读数按同一顺序精确重复，合计10个跨条件重复值。第一作者随后在PubPeer承认存在错误，并表示正与期刊讨论更正；Dryad也给数据集加上了关注提示。

这类证据比“两个数字碰巧相同”强得多。独立实验中，连续五个值连顺序都一样，首先应检查复制粘贴、样本标签和合并脚本。但在期刊或机构作出结论前，仍不能仅凭重复推断作者意图。

Jonathan Pruitt的蜘蛛行为研究则展示了更大尺度的后果。合作作者在数据中发现疑似复制的数值区段，问题随后扩展到多篇论文。2023年，Nature撤回其中一篇论文，理由是出版后审查认为数据不可靠，编辑不再信任结果和结论；Pruitt不同意撤稿。

2. 固定平移：不复制原数，只统一加一个常数

一篇Nature论文的Source Data中，评论者发现两列本应独立的测量在35行里全部相差0.3个百分点；另有数据区段出现固定差值或固定关系。固定平移会保留曲线形状，同时改变绝对水平，肉眼看两列并不相同，逐行相减却只剩一个常数。

这个案例的证据级别后来发生了变化：同济大学调查认定多张图未作客观统计，构成学术不端；Nature于2026年撤稿。这里可以使用“学术不端”，因为它来自机构结论与撤稿记录，而不只是评论者的推测。

3. 固定倍数与仿射变换：让两组数看起来“相关但不相同”

把一列统一乘以某个系数，或先乘再加，会制造看似合理的组间差异，同时保留每个波峰和波谷。检测并不复杂：计算逐行比值，或拟合B=aA+b。如果残差几乎为零，就需要解释两组数据为何服从机械关系。

4. 重复小数尾：整数变了，水印还在

多个独立样本共享.157、.8889或更长的小数尾，可能来自占位符、批量填充，也可能来自共同分母和整数计数。危险在于把“罕见”直接写成“不可能”。正确检查顺序是：先确认仪器精度和计算公式，再看重复是否跨越了本应独立的样本、时间和条件。

5. 占位符越过版本边界

Nature Cancer一篇结直肠癌论文的作者解释，早期GraphPad工作稿为了排版使用已有时间点作为占位；多个Excel文件汇总时，工作稿被误当作最终数据。论文后来出现编辑提示。

占位符本身是正常工具。问题出在文件没有明确标记“模拟”“草稿”“禁止发表”，也没有自动核对最终图是否仍引用临时数据。数字失控，往往不是发生在实验台，而是发生在版本管理。

6. 公式错行、错列和错误合并

Excel最危险的错误通常不会显示#VALUE!。公式引用上一行，照样能算出一个格式漂亮的均值；按错误键合并两张表，照样能让每条记录都找到一个“对应样本”。

一篇Nature水稻论文的作者在PubPeer回应中承认，Source Data存在复制到相邻单元格、引用错误行以及粘贴错误ΔCq值等问题。重新分析后，一些P值阈值随之变化。这样的案例说明，电子表格错误可能是无意的，却仍然会改变正式结论。

7. 选择性删点：噪声只在不方便时才叫“离群值”

删除离群值并不等于造假；预先规定、对所有组一致适用并完整报告，是正常分析。风险来自另一种模式：只有削弱结论的点被删除，规则在看到结果后才出现，且原始数据和排除日志不可见。

数字取证在这里看的不是“有没有删点”，而是规则能否在不知道组别的情况下复现，所有被删样本是否保留身份、原因和时间戳。

8. 过度完美的回归：R²不是荣誉勋章

真实仪器有噪声，真实生物样本有变异。多条校准曲线全部显示R²=1.00不自动证明异常，因为Excel可能只显示两位小数；但它应触发对未舍入R²、残差、强制过原点设置和批次曲线的检查。

在一篇Science论文的PubPeer回应中，作者用显示位数解释R²=1.00，同时承认SH19与SH20出现完全相同数据属于复制粘贴或录入错误。一个合理解释可以解决一个问题，不会自动消除同一文件里的另一个问题。

9. 时间序列复制：在长曲线里复用一段“备份数据”

时间序列尤其容易制造视觉安全感：几千个点挤成一条粗线，人眼很难记住局部噪声纹理。对曲线做滑窗相关、差分比较或局部叠加，却可能发现相隔很远的两段波动逐点重合。

一篇Science钙钛矿论文的作者承认，绘图时误用了此前已经绘制过的备份数据段；Science随后发布关注声明并索取信息。

这里最重要的不是猜测动机，而是追问：原始仪器日志是否连续，绘图脚本能否从头重建整条曲线。

10. 伪精度：把计算位数冒充测量精度

三位小数的原始读数除以一个共同分母，可以生成七位小数。七位不是七位测量精度。伪精度会制造两种错觉：普通的整数重复显得异常神秘；真正的跨图复制又被“数字太长”掩盖。

审计时必须分开记录原始精度、计算精度和显示精度。

11. 不可能的汇总统计：均值根本算不出来

GRIM检验利用一个朴素事实：若原始数据是整数评分，样本量为N，均值只能落在有限的格点上。Brown与Heathers检查可适用的71篇心理学论文，36篇至少有一个报告均值与样本量、量表结构不一致。

GRIM发现的是报告不一致，不是自动发现造假。原始数据、样本量或四舍五入任一处写错，都可能触发报警。但一个公开均值若在数学上无法由所述数据产生，至少说明论文记录链条有一处断裂。

12. 分布整体“太像随机”或“太不像随机”

单个数字可以伪装，数千项数据的分布更难伪装。麻醉科医生John Carlisle分析5,087项随机对照试验、72,261个基线均值，发现一些随机组之间近乎不可思议地相似，另一些又过度不同。少数论文的概率极端到不能用正常随机抽样解释。

但Carlisle同样列出了多种可能来源：欺诈、无意错误、变量相关、分层分配和方法缺陷。统计异常能把海量论文缩小成调查清单，不能代替调查本身。

真正的变化：造假对象没有变，证据的“颗粒度”变了

图像操纵通常改动的是展示层：复制一个panel、隐藏一个细胞、重排几条泳道。数字操纵则可以发生在整个数据生命周期：

1. 采集层：虚构样本、替换记录、重复使用同一测量；2. 整理层：复制粘贴、错配标签、错误合并、占位符遗留；3. 变换层：固定平移、倍数缩放、选择性归一化；4. 统计层：删点、换检验、伪造均值或方差；5. 展示层：截断坐标、隐藏时间段、只保留有利曲线；6. 更正层：只修改已经被圈出的数，却不给原始依据和完整差异记录。

因此，“数字时代”更危险，也更容易审计。危险在于，一次公式或合并错误能同时污染数百个单元格；容易审计在于，只要源文件公开，任何人都能重复同一组检查。

如何区分错误、异常与造假

一篇负责任的报道至少要区分四层证据：

• 第一层：公开异常。 评论者发现重复、固定差值或统计不可能；此时只能说“需要解释”。• 第二层：作者确认错误。 可以确认数据或文件有错，但仍不能自动推断故意。• 第三层：期刊动作。 更正、编辑提示、关注声明或撤稿，说明出版记录已正式变化。• 第四层：机构认定。 调查依据原始文件、设备、人员和时间线，对是否构成学术不端作出结论。

把第一层写成第四层，是科研新闻最常见也最不公平的跳跃。反过来，把作者一句“复制粘贴错误”当作所有问题的终点，同样不严谨。解释需要与原始记录相匹配。

下一代科研审查，应该检查什么

最有效的防线并不神秘：

• 原始仪器文件只读保存，保留校验值与采集元数据；• 样本ID、板号、批次、操作者和日期贯穿原始记录、分析表与论文图；• 工作稿、占位数据和正式数据使用不同目录与醒目标记；• 尽量用脚本从原始数据生成统计表和图，减少手工复制粘贴；• 任何排除值都保留，不覆盖，只增加原因和决定时间；• 投稿前同时运行图像重复检查、数值块重复检查、公式引用检查和汇总统计一致性检查；• 更正时公开逐项差异，而不是只上传一份“新表”。

期刊过去学会了在接受论文前扫描图片。下一步应该同样扫描Source Data：连续重复、固定差值、固定倍数、异常小数尾、公式越界和无法复算的均值，都可以在编辑部点击“接受”前自动报警。

尾声：未来最有力的证据，不是一张更漂亮的图

从WB条带到Excel小数，科研不端没有突然换了一副面孔。改变的是读者终于能越过柱状图，追到单元格；越过单元格，追到样本；再越过样本，追到仪器和时间戳。

图片会留下像素指纹，数字会留下结构指纹。真正经得住审查的数据，应该能回答同一个问题：这个结果从哪里来，经过了什么处理，谁在什么时候改过它？

当每个数字都能沿着记录链回到一次真实实验，“如何操纵数据不被发现”就不再是一门技巧，只会变成一份越来越短的失败清单。

资料核验截至2026年8月29日。主要依据包括：Bik等人的图像重复研究；美国ORI与犹他大学科研诚信办公室公开材料；Science Detective与Retraction Watch的数字扫描报道；相关PubPeer讨论、作者回应、期刊更正/关注/撤稿页面；Carlisle随机试验取证研究与GRIM方法论文。本文只对公开证据分级，不判断未被机构认定个案中的主观意图。