
多个差异比较做GSEA时,最常见的返工不是算得慢,而是分不清某个结果来自哪份排序和参数。本文用fgseaMultilevel逐比较运行,先建立单进程基线。前提是差异分析已完成,比较方向明确,每个排序表包含该比较可检验基因的带方向统计量,而非只留下显著基因。
建立一行一个比较的计划
| 输入 | 内容 | 必须固定 |
|---|---|---|
| comparisons.tsv | comparison_id、ranks、seed | 绝对文件路径;唯一比较名 |
| 每个排序表 | gene、stat两列带表头 | 基因唯一、有限数值、方向一致 |
| pathways.rds | 有名称的字符向量列表 | 与排序表相同基因标识体系 |
同一基因出现多条记录时,应回到差异结果制定可解释的汇总规则;代码拒绝重复,不擅自选最大绝对值。大量并列统计量会影响排序可解释性,先查看来源,不用随机抖动掩盖。表中种子是记录字段,并不是比较之间共享或独立的统计学证明。
library(fgsea)
a <- commandArgs(TRUE)
stopifnot(length(a)==2)
plan <- read.delim("comparisons.tsv",stringsAsFactors=FALSE)
stopifnot(all(c("comparison_id","ranks","seed") %in% names(plan)),
nrow(plan)>0,!anyNA(plan),!anyDuplicated(plan$comparison_id))
i <- suppressWarnings(as.integer(a[1]))
stopifnot(length(i)==1,!is.na(i),i>=1,i<=nrow(plan))
row <- plan[i,,drop=FALSE]
stopifnot(!file.exists(a[2]),dir.create(a[2],recursive=TRUE))
q <- read.delim(row$ranks,stringsAsFactors=FALSE)
stopifnot(all(c("gene","stat") %in% names(q)),nrow(q)>0,
!anyNA(q$gene),all(nzchar(q$gene)),!anyDuplicated(q$gene),
is.numeric(q$stat),all(is.finite(q$stat)))
pw <- readRDS("pathways.rds")
stopifnot(is.list(pw),length(pw)>0,!is.null(names(pw)),
!anyDuplicated(names(pw)),all(nzchar(names(pw))),
all(vapply(pw,is.character,logical(1))))
stats <- sort(setNames(q$stat,q$gene),decreasing=TRUE)
seed <- suppressWarnings(as.integer(row$seed))
stopifnot(!is.na(seed),seed>=0)
set.seed(seed)
res <- fgseaMultilevel(pathways=pw,stats=stats,minSize=15,maxSize=500,
eps=1e-10,nproc=1)
stopifnot(nrow(res)>0,all(c("pathway","NES","pval","padj","leadingEdge") %in% names(res)))
saveRDS(res,file.path(a[2],"fgsea.rds"))
saveRDS(list(plan=row,stats=stats,pathways=pw,seed=seed,
parameters=list(minSize=15,maxSize=500,eps=1e-10,nproc=1)),
file.path(a[2],"inputs.rds"))
writeLines(capture.output(sessionInfo()),file.path(a[2],"session.txt"))
writeLines("COMPUTE_OK",file.path(a[2],"status.txt"))
每次尝试使用新目录
保存为gsea.R。下面只运行计划第一行;失败后保留目录和日志,用新的attempt目录重试同一行。不要把旧目录里的结果存在当作本次成功,也不要在改变基因集后继续复用旧的成功标记。
set -euo pipefail
mkdir logs
/usr/bin/time -v -o logs/C01-attempt1.time.txt Rscript gsea.R 1 results/C01-attempt1 > logs/C01-attempt1.log 2>&1
test -s results/C01-attempt1/status.txt
test -s results/C01-attempt1/fgsea.rds
第二个比较换成行号2和独立目录。大量比较可由调度器分发相同入口,先限制同时运行任务数;nproc=1只约束这里的fgsea并行设置,仍应记录整个任务资源。先固定输入和版本验证结果,再逐步增加任务并发,避免每个作业又启动一组内部worker。
完成后检查统计结果
官方教程的结果含leadingEdge列表列,RDS可完整保留;直接写普通TSV容易丢失这部分信息。检查每个比较的实际基因集重叠数、因大小范围被排除的通路、NES方向、p值及算法警告。例中的15、500和eps是演示设置,正式分析应先确认并在所有可比较任务中记录。
padj通常对应本次返回通路的多重检验范围,不能自然解释成跨全部比较的统一校正。显著性异常时先查基因标识、排序方向和检验范围。只有单任务正确、整批仍赶不上时间窗口,才按独立比较数和单任务峰值安排CPU并发;更高并发不会修复不合适的排序输入。
让重试记录能够追溯
例如计划第三行失败,记录行号、比较名、日志路径、退出状态和本次目录;修正环境后在新的C03-attempt2运行同一行。若修正的是排序表、方向或基因集,则同时更新输入版本,不能仍标为同一次等价重试。COMPUTE_OK只表示代码完成,统计解释与质量核查仍需单列。
每次开始前保存comparisons.tsv、排序表和pathways.rds的校验值。若多名成员更新同一路径,应复制出只读的本次输入包或使用版本目录,让失败任务不会在第二天读到已经替换的文件。批量脚本最终应汇总每行的成功、失败及实际输出,缺行不能算整批完成。
在资源表中同时记录比较数量、每个排序向量长度、可用通路数、单任务峰值和并发数。先按同一比较复测资源,再比较整批吞吐;不同基因集合、不同通路大小分布的耗时不宜直接当作服务器性能排名。
需要额外算力时
适用前提:有效比较已明确且批量重采样或多基因集计算需额外资源。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。
咨询本任务的服务器配置
留下手机号,我们会结合本文任务与您沟通服务器配置和报价。 也可联系云生信企业微信客服,说明本文任务。咨询本任务的服务器配置
参考与版本核对
按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。
