两个样本各有两千多万条基因计数,看起来测序量相近。但一个样本的前10个基因只占总计数的6%左右,另一个却超过一半。把它们都除以各自文库总量,能够统一数值尺度,却不会让这种组成差异自动消失。
这是本次BioAgent实操里一个很直观的结果。我们没有先做差异分析,而是要求Agent回答更靠前的问题:每个样本的计数,究竟集中在多少个基因上?一张文库大小图,加一张Top基因占比图,就把只看总数时容易漏掉的信息呈现出来。

用公开数据把问题落到具体样本
数据来自 GEO 的 GSE60450。我们使用的 基因计数矩阵有27,179个基因、12个样本,对应小鼠乳腺Basal和Luminal两类细胞的三个发育阶段。每个组合有两个重复,样本表按公开元数据整理。
这次故意不把任务写成“帮我分析乳腺发育”。那个目标太宽,容易直接跳到基因功能和机制解释。我们先限定为表达组成检查:计算总counts、检出基因数量、最高单基因占比,以及前10、50、100个基因的累计占比;保留Entrez ID,导出逐样本Top10明细。
提问同时要求两幅图共享样本顺序,上面是总计数条形图,下面是不同Top规模的占比曲线。图例放到绘图区之外;输出PNG用于阅读,PDF用于放大,CSV用于核对。这个要求很适合聊天分析:把你想并排比较的东西说清楚,Agent就能将它组织成固定方案。

占比怎么算,决定了图能说明什么
每个样本先独立按原始计数从高到低排序。Top10占比等于该样本最高的10个基因计数之和,除以该样本全部27,179个基因计数总和。Top1、Top50和Top100采用同样定义。分母没有去掉低表达基因,也没有先做对数变换。
“每个样本独立排序”很重要。不同样本的Top10可能不是同一组基因,因此这里比较的是集中程度,而不是固定基因集的表达总量。若问题变成“同一组乳蛋白基因在所有样本占多少”,就需要先核实基因注释,再使用同一个预定义基因集,不能直接把当前曲线当作那个答案。
同样,总counts是当前基因计数矩阵列求和,不等于测序仪产生的全部reads,也不等于比对率分母。原始reads、成功比对reads、分配到基因的reads或片段,属于不同口径。本次只在同一矩阵内定义和比较,避免混用。

文库总量接近,集中程度却相差很大
12个样本的总计数约为2,001.5万至2,472.4万;counts大于零的基因数为16,701–18,533。只看这个总量区间,很难猜到下面的组成差异。
| 样本 | 细胞与阶段 | 总计数,百万 | Top10占比 | Top100占比 |
|---|---|---|---|---|
| DG | Basal / Virgin | 23.23 | 5.88% | 23.12% |
| LA | Luminal / Virgin | 20.39 | 6.53% | 23.02% |
| LC | Luminal / Pregnant | 22.24 | 22.23% | 37.82% |
| LD | Luminal / Pregnant | 21.99 | 24.81% | 41.04% |
| LE | Luminal / Lactating | 24.72 | 54.06% | 66.59% |
| LF | Luminal / Lactating | 24.66 | 53.06% | 66.45% |
表中短名省略MCL1前缀。LE和LF的Top10都占了一半以上,Top100约占三分之二;而DG的Top10只有约5.88%。这是一种非常明显的计数组成集中现象。它不是从热图颜色推测出来的,而是从逐样本排序和求和直接计算得到的。

在LE和LF中,最高单基因的Entrez ID均为12993,占比分别约11.68%和11.42%。我们在本文保留原始ID,不仅凭已有印象给它贴功能标签。即使某些生物学解释很合理,仍应经过可靠注释核验,并结合实验设计后再表述。
图下面的折线只是把按分组排列的样本连接起来,便于看变化。它并不表示对同一只小鼠进行了连续追踪。尤其从Basal切到Luminal时,跨样本连线不能解释成细胞转换过程。真正的纵向设计必须有个体身份与时间点对应信息。
为什么这会影响后面的分析
可以把一个样本的测序计数想成有限份额。当少数基因占据很大比例时,其他基因在同一文库中的相对份额会受到影响。两个样本的总计数相近,并不说明其余基因具有完全可比的组成背景。CPM把总量换算成每百万,却仍然保留组成关系。
因此,看到某一组大量基因的CPM普遍偏低时,需要考虑是否受到少数高表达基因占比增加的影响。这个观察并不证明那些基因的真实绝对转录量降低了。若研究问题需要判断绝对变化,还涉及实验设计、外源参照或其他定量依据,不能单凭相对计数完成。
TMM或其他归一化策略的使用,应结合方法假设及数据分布评估。本文没有运行TMM,更没有用这张组成图宣告某个方法一定优于另一个方法。它的价值在于:先发现数据结构,再有针对性地讨论后续归一化,而不是直接接受默认参数。

这次聊天操作能交付哪些可复查的东西
除了图,我们下载了12行的样本指标表,以及120行逐样本Top10明细。前者回答“哪些样本集中程度高”;后者回答“具体是哪些ID、各有多少counts”。独立复核时从原矩阵重排、求和、计算比例,与Agent输出逐项对照,避免把一段流畅解读当作唯一依据。
你也可以在自己的会话里继续要求:“请把LE和LF的Top10名单列出来,并检查交集,不更改原计数。”这种追问是对现有结果的进一步核对。若想重新定义Top基因集或调整样本范围,则应形成新的分析版本,说明与原结果的差别。
原始数据包含什么单位、使用哪个分母、是否经过过滤,这些信息往往比图的配色更影响结论。聊天界面降低了描述需求的门槛,却不能替代这些判断。将口径写进提问、保存在代码与结果表里,才方便团队讨论时追溯。
哪些结论还不能下
Top基因占比高,不等于样本失败。分泌活跃的组织、不同细胞类型或特定处理都可能产生明显组成差异,也可能存在技术因素。当前检查不能区分所有原因,更不能替代原始测序质量、RNA完整性或实验记录。
同样,检出基因数量较少并不自动等于更差。样本测序深度、表达集中程度和检测阈值都可能影响它。我们保留全部12个样本,没有根据单一指标删样,也没有输出“显著上调/下调”基因名单。
本次运算在BioAgent的平台Python环境完成,输入、方案、图表和文件在一个会话中衔接。对于已经拿到矩阵的研究者,这种方式可以直接从问题出发检查数据,再讨论后续步骤。这里没有进行服务器性能基准测试;接入个人服务器时,仍需确认实际计算位置、数据路径和资源预算。
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:
请对附件GSE60450真实counts和样本表实际做表达组成检查。平台现有Python,不装包。核对输入后,对每个样本计算总counts、counts>0基因数、最大单基因及前10/50/100个基因占总counts比例;导出每样本Top10基因ID和原始counts及比例,不擅自把Entrez改成symbol。画上下两面板:上面文库大小条形图,下面Top1/10/50/100占比曲线,样本按cell_type和生物阶段Virgin/Pregnant/Lactating排序,图例图外,PNG/PDF,表格CSV,代码。说明为什么文库大小接近仍可能有组成偏倚,不做TMM、不做差异检验、不声称RNA质量通过。请生成可执行方案,答复简短。
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。

如果你也在疑惑“我的测序量都差不多,为什么表达分布不一样”,可以进入 云生信 BioAgent,附上矩阵和分组表,让它先画“文库总量+Top基因占比”。从这张图出发,下一次讨论归一化时就有了具体的数据依据。
本系列继续读
- 相关性只有0.68,就要删样本?我把真实转录组数据交给 BioAgent 查了一遍
- 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。
