
NicheNet根据已观察到的接收细胞转录变化,优先排序可能影响这些变化的配体及靶基因;它生成的是细胞通讯假设,不是直接证明配体真实传递或产生因果作用。一次分析先明确发送者、接收者、比较条件和模型物种,再把潜在配体、感兴趣基因集与背景基因集按同一基因ID体系整理好。
先固定细胞对和基因集定义
在接收细胞中,用合适的实验设计找出研究条件相关的响应基因;背景通常来自该接收群体中有表达、且在模型中存在的基因。发送者侧筛选表达配体,接收者侧筛选表达受体,再从配体-受体网络中保留受体被检出的候选配体。各组比较应保留独立样本和条件信息,避免把单细胞当作独立生物学重复。若没有明确的接收者响应条件,不要为运行算法随意拼一个geneset;先说明研究假设和背景来源。人和鼠模型、符号与Ensembl ID不可混用。
| 对象 | 检查要点 | 为什么重要 |
|---|---|---|
| geneset | 接收细胞中的响应基因 | 定义需要解释的表达变化 |
| background | 接收细胞可检测且模型覆盖的基因 | 提供合理比较范围 |
| potential ligands | 发送者配体表达且接收者受体表达 | 避免排名不存在的细胞对 |
| 模型 | 物种、版本、矩阵行列含义 | 避免基因映射错位 |
加载模型并统计有效交集
把geneset.txt、background.txt、sender_ligands.txt和receiver_receptors.txt保存为每行一个官方基因符号的文本文件;配体-受体网络包含from和to两列,ligand-target矩阵的行是target、列是ligand。以下先核对交集,再按官方函数计算活性。
library(nichenetr)
ltm <- readRDS("ligand_target_matrix.rds")
lr <- readRDS("lr_network.rds")
read_genes <- function(f) unique(scan(f, what=character(), quiet=TRUE))
response <- read_genes("geneset.txt")
background <- read_genes("background.txt")
sender <- read_genes("sender_ligands.txt")
receptors <- read_genes("receiver_receptors.txt")
stopifnot(is.matrix(ltm), all(c("from","to") %in% names(lr)))
background <- intersect(background, rownames(ltm))
response <- intersect(intersect(response, background), rownames(ltm))
expressed_receptors <- intersect(receptors, unique(lr$to))
from_receptors <- unique(lr$from[lr$to %in% expressed_receptors])
ligands <- Reduce(intersect, list(sender, from_receptors, colnames(ltm)))
writeLines(c("background",length(background),"response",length(response),
"ligands",length(ligands)), "overlap-counts.txt")
stopifnot(length(response)>0, length(background)>length(response), length(ligands)>0)
act <- predict_ligand_activities(geneset=response,
background_expressed_genes=background,
ligand_target_matrix=ltm, potential_ligands=ligands)
act <- act[order(act$aupr_corrected, decreasing=TRUE),]
write.csv(act,"ligand-activities.csv",row.names=FALSE)
writeLines(capture.output(sessionInfo()),"session.txt")
空交集、背景接近响应基因集大小、或候选配体骤减时,应先查物种、ID转换、检测阈值和接收者受体表达,不要继续解读排名。代码将响应基因限制在背景与模型共同覆盖范围内,需把过滤前后数量写入记录。
复核排名和候选配体
官方流程常用校正AUPR对候选配体排序,同时提供AUROC、AUPR等指标;不要只截取前若干名就称为确定结果。查看活性分布、已知配体的合理性、候选受体和对应发送群是否表达,并对背景构建和阈值做敏感性比较。随后可用get_weighted_ligand_target_links()检查优先配体关联的响应靶基因,再回到原始表达和实验文献判断是否值得验证。
资源实测与复现记录
先选一个细胞对和有限候选集合,使用/usr/bin/time -v Rscript run_nichenet.R记录读入模型、计算和写出结果的总时间及最大RSS;另记矩阵维度、交集数量、模型文件大小、R包版本和工作盘峰值。模型载入可能占主要内存,增加CPU核数未必能解决。需要比较候选范围时固定同一模型与基因集,逐档测试,并区分模型加载和打分日志。保留四份基因清单、过滤前后计数、候选表及参数。只有真实工作集反复超过现有内存或期限,才据峰值和并发评估资源;分析设定错误时扩容无助于改善排序可信度。
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:已有合理细胞对与对比目标,计算批次超出现有吞吐量。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。
