如何“科学”地证明一个不靠谱的观点

最近，澳大利亚有人发表了一项研究，结论是“转基因饲料明显增加了猪出现严重胃炎的比例”。正好中国新批准了三种转基因大豆的进口许可，一时间人心惶惶。很快有专业人士指出，这项研究看起来“科学”，但是从实验设计到数据分析都存在漏洞，结论完全靠不住。

在具体分析这项研究之前，我们先来举个例子，说明如何“科学”地证明一个不靠谱的观点。假设学生们每周上一次体育课，现在我们来证明“星期二上比星期三上更有利于健康”。

既然是科学实验，自然是要找两组人来比较，比如某年级的两个班，A班星期二上，B班是星期三上。然后确定检测指标，开始当然不知道“应该”检测什么指标，于是只能尽可能多地检测学生们的各项身体指标，比如身高、体重、脉博、肺活量等等，以及各项运动成绩，比如短跑、长跑、跳高等等——基本原则就是“只要能想到的，都去测一下”。经过一学期之后，把这些参数再测一遍。学生们在长身体，测量出来的数值总是会有变化，而且各不相同。

接下来，就是关键的“数据分析”了。把各个参数的变化计算出来，比较两个班孩子的变化情况。一般而言，各个指标的变化都是有高有低。统计学上要计算平均值和标准偏差，来衡量平均值的差异是不是“真的”不同。一般而言，多数指标的差异不具有“统计学意义”——也就是说，虽然不同，但是小于正常偏差。只有差异很大，才说明是“有统计学差异”。如果数据“有统计学差异”，在科学上就认为是所考察的变量导致的。这里所考察的变量是“哪一天上体育课”，而其他的变量，理论上两个班情况“一样”。因为测的参数很多，就可能有一项两项参数出现“统计学差异”，而且是A班比B班好。于是，你就可以得出结论“星期二上体育课使得学生的XX指标提高更多”。

如果每项指标都没有统计学差异，怎么办呢？你还可以把孩子们分开，分成男生和女生、高个子和矮个子、家境富有和家境一般等等类别比较，没准就能找到有差别的组了，于是结论就变成“星期二上体育课有助于某类学生XX指标的提高”。如果还是不行可另找两个班，从头再来。

这样的研究当然很胡扯，但如果写成论文，却完全符合“科学论文”的特征。而澳大利亚那个转基因饲料与猪胃炎的例子，就是这样的思路。实际上，实验中两组猪出现胃炎的比例并没有明显差异，都非常高。作者又把胃炎分成“轻度”“中度”和“严重”三个类别，终于在“重度胃炎”类别中找到了符合目标的“差异”。实际上，还有一个“心脏异常”的指标，转基因组的发生率只有非转基因组的一半——虽然这个差别没有统计学意义，但如果也搞一个类似的分组，那么很可能得出“转基因饲料降低心脏异常率”这个作者不想要的“结论”来。

除了这项研究，还有很多证明“转基因有害”的研究，但迄今为止，每一项这样的研究都被指出各种各样的漏洞。实验设计和数据分析的漏洞，对于科研人员来说，是仅次于伪造数据的严重指控。为了维护自己的学术声誉，面临这样的指控时，科研人员需要做的是纠正这些漏洞，重新进行实验，用无可挑剔的实验和数据来为自己正名。但是，这些证明“转基因有害”的研究，没有一项进行了这样的跟进。

如果要考察药物或者食品添加剂的安全性，动物实验是一个很好的工具。因为药物和食品添加剂没有营养价值，可以用高倍数的剂量去喂动物，这样很容易看出毒性，从而找出“不导致危害的最大剂量”。但是食物受到食量的限制，不可能给动物大大超过正常食量的剂量。所以，即使食物有轻微、慢性的危害，也会被其他影响因素掩盖。如果食物有严重危害，那么不用动物实验，成分分析就可以很容易地发现。

因此，国际食品法典委员会的转基因食品风险评估指南中，并没有把动物实验作为安全审核的要求。相反，对于想要进行的动物实验，明确指出需要“设计严谨”。