
AUCell按每个细胞的基因表达排名计算基因集富集AUC。批量任务的内存压力通常集中在ranking对象和中间结果;基因ID不一致或aucMaxRank设置不合适,也会让得分难以解释。下面以R中的稀疏表达矩阵和多个基因集为例,分开保存ranking与AUC,先验收再扩展到全量细胞。
确认表达矩阵与基因集
矩阵应为基因在行、细胞在列,且行名、列名唯一;确认使用的是适合该分析的表达矩阵,并记录过滤与归一化处理。基因集使用有名字的character list,检查每个集合是否为空、是否有重复ID,以及与矩阵行名的交集比例。先统一Ensembl版本后缀或基因符号体系;不要为了提高匹配率而模糊地改名。AUCell官方说明其排名方法不依赖表达单位,但输入基因和基因集仍必须可对应。
| 检查 | 记录什么 | 异常处理 |
|---|---|---|
| 矩阵 | 基因数、细胞数、稀疏类型 | 核实方向和重复ID |
| 基因集 | 原始大小、命中数、未命中数 | 统一ID体系并检查来源 |
| 检出基因 | 每细胞检出数分布 | 据分布检查AUC排名窗口 |
| 资源 | ranking与AUC阶段RSS和耗时 | 先分批细胞,避免盲目加核 |
先检查检出基因,再确定排名窗口
官方默认aucMaxRank约为总基因数的5%,但应检查大多数细胞是否检出了至少这么多基因;否则排名窗口会落入大量并列的零表达基因。先查看检出数分位数,结合测序深度和研究问题决定窗口。不同批次或数据集若敏感度差异很大,不要假设同一个AUC阈值能直接横向解释。
保存ranking,再计算AUC
先用较小细胞子集试跑,确认对象尺寸、日志和输出目录,再跑全量。稀疏矩阵节省输入存储,但排名对象可能需要远多于输入文件的内存;粗略估算可用基因数×细胞数×每排名整数的字节数作为对象规模提示,并额外预留R对象和临时副本空间,不能把估算值当成峰值保证。
library(AUCell)
library(Matrix)
library(BiocParallel)
z <- readRDS("expression.rds")
gs <- readRDS("geneSets.rds")
stopifnot(inherits(z,"dgCMatrix"), nrow(z)>0, ncol(z)>0,
!anyDuplicated(rownames(z)), !anyDuplicated(colnames(z)),
is.list(gs), length(gs)>0, !is.null(names(gs)),
!anyDuplicated(names(gs)), all(lengths(gs)>0))
set.seed(2026)
detected <- Matrix::colSums(z > 0)
write.csv(quantile(detected, c(0,.05,.1,.5,1)), "detected-quantiles.csv")
rank_dir <- "ranking-run1"
dir.create(rank_dir, showWarnings=FALSE)
rk <- AUCell_buildRankings(z, plotStats=TRUE,
BPPARAM=SerialParam(), keepZeroesAsNA=FALSE)
saveRDS(rk, file.path(rank_dir,"rankings.rds"))
auc_max <- ceiling(0.05*nrow(rk)) # 需对照detected分位数复核
hits <- vapply(gs, function(x) sum(unique(x) %in% rownames(rk)), integer(1))
write.csv(data.frame(set=names(gs), n_input=lengths(gs), n_hit=hits),
file.path(rank_dir,"gene-set-hits.csv"), row.names=FALSE)
auc <- AUCell_calcAUC(gs, rk, aucMaxRank=auc_max, nCores=1)
saveRDS(auc, file.path(rank_dir,"auc.rds"))
writeLines(capture.output(sessionInfo()), file.path(rank_dir,"session.txt"))
代码中5%是官方默认示例,不是固定阈值;若大部分细胞的检出基因数低于窗口,需调整并记录理由。样本预览若按细胞分批,应在每批使用相同基因集和aucMaxRank,保存细胞ID及批次;因为零值排名含随机并列,同一随机种子、版本和输入处理也要记录。
检查覆盖率与AUC分布
先查看gene-set-hits.csv,低覆盖集合应先确认ID或数据物种,不能把未命中当作低活性。检查AUC矩阵维度是否为基因集×细胞,值是否有限,并画每个基因集的分布。AUCell的自动阈值需要结合直方图和标记基因判断;AUC是相对排名分数,不是跨数据集通用的“开/关”标准,也不能单独证明细胞类型或通路因果关系。
按实测决定并行和内存
分别用/usr/bin/time -v记录读入、ranking、AUC阶段耗时和最大RSS,保存R/Bioconductor版本、矩阵维度、基因集规模、检出数分布与线程数。先单核测一小批,再逐步增加线程或细胞批量;线程增加后若吞吐不升、内存峰值上涨,应降低并行度。AUCell按细胞独立评分,适合分批处理,但需合并分批AUC时核对细胞ID无重无漏。把真实批次规模、峰值和完成时间作为资源评估依据;若ID错配或窗口不合适,先修分析设置,再考虑扩容。
下载练习材料
先核对包内SHA256清单,再在独立目录复现。
需要额外算力时
适用前提:明确基因集和细胞范围后,必要对象仍超出现有内存。如需额外资源,可评估大内存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
- AUCell 1.34官方教程:矩阵、排名、AUC和阈值
- AUCell_buildRankings官方源码:稀疏矩阵与BPPARAM
- AUCell_calcAUC官方源码:aucMaxRank与多核参数
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。
