比较处理前后表达时,一个平均差值很容易掩盖个体差别:可能四个供体都同向,也可能一个供体变化特别大,把整体均值推走。只有把每个供体的变化拆开,才能知道平均数背后是什么。
这次用真实公开airway数据,我们让云生信BioAgent先计算四个供体各自的处理与未处理差值,再按平均变化幅度选择六个基因,展示全部配对线。任务很具体:看看方向是否一致,保留个体差异,不把探索性名单写成显著差异结果。

八个样本,四个真实配对
airway研究使用人气道平滑肌细胞,包含地塞米松处理与未处理条件。数据背景可见Bioconductor airway,本次矩阵与注释下载自CSAMA公开课程材料,整理后为33,469个基因、8个样本。
四个供体标签为N052611、N061011、N080611、N61311,每个恰好一个untrt和一个trt。这里呈现的是细胞实验配对,不是临床疗效研究。我们保留Ensembl ID,不在未经映射核对时擅自补充基因symbol。

给Agent的要求包括:先核对配对;以完整基因矩阵的文库总和计算CPM;保留至少两个样本CPM≥1的基因;逐样本做log2(CPM+1);每个供体分别计算trt减untrt;输出四个差值、平均差、最小与最大差,以及正、负、零的数量。
注意这里的差值是在log2(CPM+1)尺度上计算,再对四个供体平均。它不等于先算所有处理样本的平均CPM,再除以未处理组均值取log。定义不同,数值和解释也可能不同,不能混用。
筛选和展示规则都提前说明
过滤后保留15,050个基因。我们按四个供体平均差的绝对值排序,取前六名;每个面板画四条配对线和八个点,横轴固定为untrt、trt,颜色代表供体。线条连接的是样本表证实的同一供体。
前两次平台运行没有返回完整产物,保留日志也不足以确定失败根因。我们保留记录,重新生成更短的脚本,在导入数值库前限制线程数量并增加阶段日志,再确认执行;随后平台实际生成了图表与全部明细。由于同时做了多处执行层调整,不能把成功单独归因于某个线程参数,也不能据此宣称性能提升。下面使用的是这次成功运行的实际产物。

这一规则会偏向在当前数据中平均变化大的基因。它适合提出候选,不构成独立验证。我们没有根据图形好看与否再手动换基因,也没有用不同筛选阈值反复寻找最符合预期的一组。
六个候选,四个供体的方向都为正
| Ensembl ID | 平均差 | 最小供体差 | 最大供体差 | 正向供体数 |
|---|---|---|---|---|
| ENSG00000109906 | 4.746 | 4.253 | 5.077 | 4/4 |
| ENSG00000152583 | 4.181 | 3.639 | 4.773 | 4/4 |
| ENSG00000096060 | 3.858 | 2.809 | 4.433 | 4/4 |
| ENSG00000163884 | 3.823 | 2.765 | 4.549 | 4/4 |
| ENSG00000101347 | 3.667 | 3.116 | 4.089 | 4/4 |
| ENSG00000211445 | 3.630 | 2.969 | 4.207 | 4/4 |

前六个基因恰好都表现为四个供体正向变化。我们能据此描述“在本次数据和处理规则下,六个候选的处理后log表达均高于对应未处理样本”。但不能跳到“这些基因已被证明显著上调”,因为没有进行统计检验。
以ENSG00000096060为例,供体差值约在2.809到4.433之间;方向一致,并不意味着幅度一致。图中不同颜色线条的斜率与起点,能帮助读者同时观察基础表达和响应幅度,而不是只读平均差3.858。
如果只给六根均值柱子,这层信息就会消失。配对线图的重要价值,是让读者能问出更具体的问题:哪个供体起点高?哪个变化小?是否某一个体决定了平均值?
六个面板的纵轴范围各自适配数据,因此应在同一面板内比较四个供体;跨基因比较变化幅度时看表中的差值,不要只凭线条看起来有多陡。
全部基因中,方向一致有多少
在15,050个保留基因中,四个供体差值均为正的有2,754个,均为负的有4,920个,共7,674个。这里“正”只要求差值大于零,没有设置最小效应阈值,也没有要求每个供体超过某个生物学意义界限。
因此,方向一致总数不能当成显著差异基因数。非常小的正值也会进入“四正”,非常小的负值也会进入“四负”。如果希望筛选更具实际意义的变化,应先说明效应阈值和研究目的,再另行计算,不能事后把当前数字升级解释。

本次逐供体差值、汇总表和Top6逐样本数据均保留在下载材料中。文章中的过滤数量、方向计数与候选数字经过独立计算核对,便于读者回到实际产物复查,而不是只相信一段自然语言总结。
为什么还需要正式模型和独立验证
首先,四个供体数量有限,无法概括广泛人群或所有细胞来源。其次,Top6是用同一批数据选出再展示,筛选本身就偏向大变化;漂亮的配对线不能成为第二份独立证据。
再次,CPM加log转换是本次探索口径,并未处理正式差异分析所需的全部统计问题。我们没有拟合负二项模型,没有估计离散度,没有进行多重检验。后续若进行差异分析,需要保留供体设计,并明确对比与校正方式。
最后,基因ID只定位到表达矩阵中的行。若要解释功能、绘制通路或设计验证实验,应核查ID版本、注释映射和具体研究背景。不能看到一个较大的平均差,就直接编出未经验证的机制故事。
把“帮我找差异”拆成可确认的小问题
这类任务适合先从描述层开始:配对是否完整、差值怎么算、方向是否一致、哪些对象值得进一步核查。BioAgent把这些问题组织成计算方案,平台环境承接执行,最终交付图、表和代码,研究者再决定是否进入正式推断。
如果你的数据也有配对结构,可以这样提问:“先逐个供体计算变化,展示全部个体,再汇总平均值;不要只给均值柱图,不要在未检验时标显著。”这段要求比笼统的“做一张高级图”更容易产生有研究价值的结果。
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:
用本轮airway真实counts和samples,做配对响应方向的探索。平台已有Python不装包。检查每donor恰有一个trt/untrt,按全矩阵文库CPM后log2(CPM+1),保留至少2样本CPM>=1。每基因分别计算4个donor的log2CPM差值trt-untrt,报告平均差、最小/最大差、正/负/零个数。选择abs(平均差)最大的6基因,画2×3每基因四条配对线和8个点(颜色donor,横轴untrt/trt),保留Ensembl不查symbol。输出所有基因4供体差值和汇总CSV、Top6逐样本数据、方向一致基因计数(4正或4负)、PNG/PDF和代码;说明这是按同一数据筛选的探索结果,未做DESeq2或多重检验,不能称显著。请生成方案。
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。

打开云生信BioAgent,用本例公开数据体验一次从样本表到配对线图的过程。先把每一条线的来历弄清,再讨论它们共同指向什么,是让聊天分析可靠进入科研工作的一步。
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
- 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
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。
