打开一张样本相关性热图,看到两个样本只有0.68,第一反应常常是:是不是有个样本质量不好,要不要删掉?但如果这两个样本本来就来自不同细胞类型,这个数字可能首先反映的是研究对象之间的差异。
这次我们把真实公开的 GSE60450 计数矩阵和分组表放进云生信 BioAgent,让它计算相关性、画图、导出全部样本对,再沿着结果继续提问。最后得到的关键信息很明确:最低相关的两个样本,恰好来自不同细胞类型;真正同类型、同阶段的六对重复,相关性都很高。本文展示的是这次实际运行,读者也可以下载输入与产物核对。

从“帮我做质控”改成一个能回答的问题
GSE60450 是小鼠乳腺公开转录组数据,包含 Basal、Luminal 两类细胞,以及 Virgin、Pregnant、Lactating 三个阶段。本次使用27,179个基因、12个样本的计数矩阵,每个“细胞类型×阶段”组合有两个样本。数据来源为 GEO 原始计数文件,样本对应关系根据 GEO SOFT 元数据整理。预处理只移除了长度注释列、整理列名,没有改动计数。
如果只输入“做一下质控”,分析范围可能非常宽:原始测序质量、比对率、表达矩阵异常、组内一致性都可以叫质控。这次我们把问题收窄为“12个样本的表达谱是否呈现合理的一致性”,明确输入已经是基因计数矩阵,不涉及FASTQ或比对文件。
提问时还明确要求:先核对样本名;按至少两个样本CPM≥1过滤基因;在log2(CPM+1)上分别算Pearson和Spearman;按照细胞类型、阶段和样本排列;不要自动聚类,不要删样本;交付图、表、代码。这样生成的方案才能逐项核对。

这也是聊天分析真正有用的地方。你表达的是研究问题和交付要求,Agent把它整理成可执行步骤。你不必先手写整段绘图代码,但仍然需要看清输入、方法和计算位置,尤其要明确什么决定可以自动执行、什么判断需要自己承担。
为什么同时计算两种相关性
Pearson主要衡量数值之间的线性关系,Spearman衡量排序关系。在这里,我们将两个样本看作两列向量,每一个保留基因对应一个观测位置。前者关心表达变化的数值关系,后者更关注基因表达排序是否一致。它们可以提供互补视角,但都不能直接给出“合格/不合格”的样本结论。
CPM先用每个样本全部基因的计数总和作分母,把不同样本放在可比较的文库尺度上;log2(CPM+1)减小高表达值对图形和相关性计算的影响。这里没有做TMM,也没有拟合差异表达模型。过滤规则采用至少两个样本CPM≥1,是本次探索的明确设定,并非所有研究通用的最佳阈值。
运行后,从27,179个基因中保留了14,695个,过滤掉12,484个。12个样本共有66个不重复样本对。我们要求把这66对全部导出,而不只展示一张颜色鲜艳的图,因为具体哪个样本与哪个样本相关、是否属于同一生物学组,必须能回到明细表检查。

六对重复,比整张图的平均颜色更值得先看
真实输出中的六对同细胞类型、同阶段重复如下。这里保留六位小数便于和附件核对;科学解释不依赖最后一位小数。
| 组内样本对 | Pearson r | Spearman ρ |
|---|---|---|
| DG / DH | 0.991740 | 0.991877 |
| DI / DJ | 0.993480 | 0.993267 |
| DK / DL | 0.995076 | 0.995181 |
| LA / LB | 0.994266 | 0.994595 |
| LC / LD | 0.992730 | 0.992429 |
| LE / LF | 0.995738 | 0.994791 |
表中的短名省略了统一前缀MCL1。DG/DH、DI/DJ、DK/DL分别是三个阶段的Basal重复;LA/LB、LC/LD、LE/LF是对应的Luminal重复。六对Pearson约为0.9917–0.9957,Spearman约为0.9919–0.9952,两种方法给出的组内一致性信息相近。

再看最低值:Pearson最低的是DL与LF,r约0.675561;Spearman最低的是DL与LE,ρ约0.687852。DL是Basal/Lactating,LE和LF是Luminal/Lactating。这意味着最低相关发生在同一阶段的不同细胞类型之间,而DL与同组重复DK的Pearson约0.995076。单凭与另一类细胞的低相关,就删除DL,缺乏依据。
最高相关也不完全是同一个组合:Pearson最高是LE/LF,Spearman最高是DK/DL。这种差别提醒我们,指标定义会影响排序。它不意味着某一种相关性“错了”,也没必要只挑看起来更好的一种报告。
围绕结果继续问,比拿到图就结束更有价值
拿到文件后,我们继续在会话中问:“最低Pearson相关的DL与LF只有约0.676,是否应删除DL?”这个追问把统计数字重新放回样本分组。判断时至少要看三个关系:它与同组重复是否一致、它与不同细胞类型是否整体分离、其他质控证据是否支持异常。
本次能支持的是“DL与同组DK高度相似,和Luminal样本的差异与细胞类型结构相符”。尚不能支持“全部样本原始RNA质量都合格”,因为我们没有RIN、原始reads质量、比对率和实验记录。高相关也不能排除样本标签错误;两个标签一起标错,依然可能看起来很一致。

图中颜色是连续尺度,低端约从0.676开始,并不是从零开始。阅读时先看色标,再看具体数字,避免把深色格子误读为“接近没有相关”。对角线是样本与自身的相关,恒为1,不能拿来评估重复质量。本文没有进行聚类,行列顺序按已知生物学分组固定,因此块状结构不会混入聚类排序造成的额外视觉变化。
把这套提问迁移到自己的数据
你可以准备一份基因×样本矩阵,加一份每行一个样本的分组表。先告诉Agent数据单位是原始counts、TPM还是已经标准化的表达量,不要让它猜。再说明哪些因素是疾病状态、组织来源、处理时间或供体。输入单位不同,是否需要再次归一化和采用什么变换,也会不同。
如果图里出现疑似离群点,先要求导出相关矩阵和最低相关样本对,再补充原始质控、采样信息及实验批次。只有独立证据支持异常,才讨论排除标准,并记录排除前后的分析变化。单独用一个相关性阈值自动删样本,容易把真正的生物差异一并删掉。
本次运算使用BioAgent的平台Python环境,界面确认了平台计算位置,生成的代码、环境记录、日志和结果文件均已保存。已有云端计算环境减少了来回配置与搬运结果的步骤;这不等于进行了服务器速度测评,也不表示所有大数据任务都适用相同资源。扩大到更多样本前,应按矩阵规模和并发量评估内存与存储。
读者可以这样完成第一次操作
进入BioAgent后新建研究,上传本篇下载包input目录中的counts和samples两份CSV,等界面显示两份附件均已就绪,再发送需求。counts第一列是gene_id,其余每列一个样本;samples每行一个样本,sample必须与矩阵列名一致。附件名称已经区分数据集,第一次练习建议保持原名,方便核对。
下面是本次实际使用的初始提问,可复制后按自己的数据修改:
请对本轮附件中的真实 GSE60450 counts 和样本表实际运行样本相关性分析,用平台已有 Python,不装包。核对样本一一对应后,保留至少2个样本CPM>=1的基因,计算log2(CPM+1)上的样本Pearson相关矩阵及Spearman相关矩阵。按cell_type、stage、sample排序,画并排两张12×12热图,清楚标注样本名与色标,不聚类、不删样本。输出PNG/PDF、两份相关矩阵CSV、全部66个样本对的相关系数与是否同cell_type/stage的表、过滤数量汇总和代码。描述相关性最高/最低样本对及六对组内重复;不得据此直接删除样本或认定批次。请生成可运行方案,答复简洁。
收到方案后打开“查看方案并确认”,核对数据文件、计算位置、过滤规则和输出要求,再点击“确认并开始”。任务完成后进入“研究成果”,在“图表”查看图,在“文件”下载明细与代码。如果界面提示失败,应查看记录或要求诊断,不能把未完成状态当成成功。
第一次练习先保持方法一致,核对本文的核心数字;之后再改变一个条件,例如过滤阈值或绘图标签,并保存前后两版。自己数据的列名、单位或分组不同,要在提交前明确说明,不应把本例参数直接当成所有研究的默认答案。
下载数据,自己核对一次
下载本篇公开输入、图表与实际运行代码。附件含整理后的counts、样本表、结果CSV、PNG/PDF及代码,来源见README。代码采用平台运行时路径,迁移到本机时需配置输入和输出,不能直接视为本机一键脚本。

如果你手里已经有一张表达矩阵,可以从这个问题开始:“先帮我核对样本对应关系,再画相关性热图;请把同组重复和最低相关样本对分开解释。”进入 云生信 BioAgent,把问题、矩阵和分组表放在同一次提问里。先让一个具体判断变得有依据,再决定后续分析。
本系列继续读
- 测序量差不多,表达数据就可比吗?让 BioAgent 画出被总数遮住的组成差异
- 同一批基因,热图为什么变了颜色?用 BioAgent 实做一次双尺度对照
- 低表达基因过滤,会把PCA画成另一个故事吗?让 BioAgent 用三套阈值实测
- 一条均值曲线,会遮住什么?让 BioAgent 同时画出阶段趋势和真实重复
- 差异分析之前,先让 BioAgent 检查分组表:pasilla 真实数据的设计审计
- PCA分成两层,是处理效应还是测序类型?用 BioAgent 把两个因素一起画清楚
- 伪计数从1改成0.1,候选名单会变吗?让 BioAgent 实测一张探索性MA图
- 配对信息不该丢在样本表里:让 BioAgent 给PCA加上四条供体箭头
- 平均变化很大,四个供体都同意吗?用 BioAgent 看见每一条配对线
实操数据与截图采集于2026年11月。界面和环境可能更新,以使用时页面为准。本文保留真实计算口径与结果边界。
