software

SigProfilerExtractor 为什么只提取出一个特征?两种成分、两组队列的原生实跑

作者:发布于 2026-11-18约 11 分钟阅读
SigProfilerExtractor1.6.1原生两组各20样本,两个原创成分比例变化时建议2特征,固定一比一时建议1特征,不等于生物过程数量。

突变特征提取中,一个容易误读的结果是,软件建议保留一个特征,于是分析者写成样本只有一种突变过程。这里混淆了数据能分辨出的结构,与真实存在的生物学过程。即使确实有两种过程,如果它们在所有样本中始终按同一比例出现,队列也可能只呈现一个稳定的合并方向。

本文安装 SigProfilerExtractor 1.6.1,实际运行两组原创突变矩阵。两组都由相同的两个成分生成,每组二十个样本,事件数量也处于相近水平。不同之处仅在于成分比例是否随样本变化。原生程序对比例变化组建议保留两个特征,对固定比例组建议保留一个。下面沿着输入、候选秩和稳定性解释这个结果。

SigProfilerExtractor1.6.1原生两组各20样本,两个原创成分比例变化时建议2特征,固定一比一时建议1特征,不等于生物过程数量。
实际执行原创96类计数矩阵的从头提取,候选1至3、每个10次重复。没有执行变异文件转换、参考库分解或真实队列验证。

从头提取与已知特征拟合先分开

从头提取是从一组样本的计数矩阵中,同时寻找特征形状和各样本的贡献。已知特征拟合则先给定参考形状,再估计这些形状能解释多少样本信号。前者要回答数据支持怎样的分解,后者回答在指定参考集合下如何分配,两者使用的信息和约束不同。

SigProfilerExtractor 的主要任务是从头提取,同时能衔接参考特征分解。本文使用原生停止于提取阶段的参数,不执行参考库分解,不给结果贴上某个已知机制的名称。功能与参数见 官方工作流说明,本次具体入口另以实际安装版本核查。

这样安排的原因是,本例研究的是数据结构能否支持区分,而不是两个已知机制是否存在。若事先把真实生成形状交给拟合函数,就已经向模型提供了额外信息,不能再把结果称为完全从数据中发现。实际项目也应分别记录提取和参考匹配的输出。

一个矩阵包含哪些信息

输入矩阵的每行代表一种突变类别,每列代表一个样本,单元格是该类别的事件计数。常用的九十六类单碱基替换表示,结合六类替换和左右各一个碱基背景。计数矩阵保留类别分布,却不再保留每个变异的全部测序质量、局部拷贝数或克隆背景。

因此,矩阵能被读取,不代表上游变异集合已经可靠。如果不同批次使用不同过滤标准,或者部分样本有明显技术伪影,分解可能把这些差异也当成一个稳定方向。分析前应检查样本来源、变异筛选、参考版本以及类别排序,不能只检查有没有缺失值。

计数和百分比也不能随意替换。每列归一化后的比例图适合比较形状,但会丢掉事件总量信息。若入口要求计数,应保留原始计数并让流程按所选方式处理。把百分比放进计数入口,可能改变重采样含义,得到的稳定性也不再对应原来的数据量。

原创数据怎样生成

我们定义两个原创概率向量,分别在九十六类中的前十六类与后十六类占较高权重,其余类别保留少量背景。每个向量归一化为总和一,两者形状固定。它们只用于教学,没有复制参考库中的特征,也不代表任何已经确认的致突变机制。

比例变化组中,第一个成分从第一个样本的百分之五逐渐增加到最后一个样本的百分之九十五,第二个成分补足剩余比例。固定比例组中,两个成分在所有样本里都各占一半。每个样本设定约五千个期望事件,再对各类别做泊松抽样。

两组都包含抽样波动,实际总数并非机械地等于五千。生成器固定随机种子,完整概率向量、输入矩阵和运行条件均保留。这个设计没有模拟真实基因组机会差异、变异检出误差或队列选择偏差,所以它能验证分解条件的影响,不能用于评价真实样本的检测性能。

比较条件 比例变化组 固定比例组
样本数 20 20
原创生成成分 相同的两个 相同的两个
第一成分比例 5%至95% 所有样本50%
每样本期望事件 5000 5000
原生建议特征数 2 1

为什么比例变化决定可分辨性

如果一个样本主要由第一成分构成,另一个样本主要由第二成分构成,样本之间的变化就能帮助算法识别两种方向。即便没有完全纯粹的样本,只要贡献组合存在足够差异,也可能提供有用约束。这里起作用的是变化结构,而不只是样本数量本身。

反过来,若每个样本都是相同的一比一混合,期望矩阵的每一列都与同一个合并向量成比例。单凭这些列,无法唯一恢复原来那两个向量。很多不同的成分组合都能给出相同合并形状,这属于信息不足,不是简单增加迭代次数就能解决的优化问题。

在固定比例条件下继续增加同类样本,可能更精确地估计合并形状,却未必增加区分两个潜在过程的能力。真实研究设计因此要考虑样本是否覆盖有意义的异质性,同时控制技术差异。不能为了制造变化而混入不可比较的数据,再把批次效应当作可分辨性的来源。

安装与种子文件的实际问题

本次在 Ubuntu 22.04.5 上建立独立 Python 3.12.16 环境,安装 SigProfilerExtractor 1.6.1 与仅使用处理器的 PyTorch 2.5.1。输入已经是突变类别计数,因此没有安装参考基因组来执行变异文件转换,也没有测试那段上游流程。

python -m pip install torch==2.5.1 --index-url https://download.pytorch.org/whl/cpu
python -m pip install SigProfilerExtractor==1.6.1
python run.py --work signature-cohort-demo

第一次运行在种子文件读取处失败。我们最初只写了一列种子,但当前读取函数将第一列作为索引,随后找不到需要的种子列。按原生读取格式补上索引列后,程序完整运行。错误来自作者准备的输入格式,没有修改软件模型或取消检查。

这个经历提醒我们,固定一个随机种子数字还不够,文件格式、软件版本和实际读取方式都需要一致。复现时可以检查输出保存的种子文件与任务记录,再确认进程数和依赖版本。不能因为两次运行都写了相同数字,就预先断言所有中间结果一定逐字相同。

这次候选搜索采用什么设置

两组都比较一到三个候选特征,每个候选数进行十次分解重复,保留重采样,使用两个处理器进程,矩阵归一化方式设为不额外归一化。最少迭代五百次,最多五千次,每五百次检查收敛,其余稳定性筛选阈值保持原生默认。

sigpro.sigProfilerExtractor(
    "matrix", output, counts,
    minimum_signatures=1, maximum_signatures=3,
    nmf_replicates=10, cpu=2, gpu=False,
    matrix_normalization="none", seeds=seed_file,
    min_nmf_iterations=500, max_nmf_iterations=5000,
    nmf_test_conv=500, nmf_tolerance=1e-8,
    stop_after_extraction=True,
    make_dashboard=False, make_decomposition_plots=False
)

这是一组有限教学设置,重复数和迭代下限低于完整默认设置。它足以形成当前模拟对照,但不能据此建议所有真实队列都采用同样配置。需要正式使用时,应检查收敛记录、重复稳定性以及候选范围是否覆盖合理情况,而不是复制参数后直接套用结论。

这里的重复次数也不是样本数量。增加分解重复是在相同观测基础上检查优化与重采样表现,不会新增独立患者。稳定性高说明某种分解在所用条件下反复出现,仍需结合输入质量和可识别性解释。

原生候选表给出了什么

比例变化组从一个特征增加到两个时,原生矩阵重构误差从百分之四十五点二九降到百分之七点五七。继续增加到三个,只降到百分之七点二一,同时平均稳定性明显下降。原生候选表以星号标记的建议解为两个特征。

固定比例组使用一个特征时,重构误差已经为百分之八点七四。增加到两个或三个,误差继续小幅下降,但稳定性下降,原生建议仍是一个特征。这与生成数据的结构一致,一个稳定的合并方向已经解释了主要期望信号。

队列与候选数 矩阵误差 平均稳定性
比例变化,1个 45.29% 1.00
比例变化,2个 7.57% 1.00
比例变化,3个 7.21% 0.58
固定比例,1个 8.74% 1.00
固定比例,2个 8.19% 0.49
固定比例,3个 7.77% 0.26

这些误差来自原生候选统计表,不是独立测试集上的预测准确率。平均稳定性也不能读成生物学结论正确的概率。表中的单特征稳定性数值尤其不应被单独拿来证明只存在一个过程,应与候选比较和数据构成一起审查。

平均值还可能遮住某个特别不稳定的成分。比例变化组三特征候选的最小稳定性为负零点二三,因此不能只凭其余成分比较稳定就忽略这一项。审查时应从整体摘要进入单个特征,再进入支持样本,逐层定位问题。候选整理与停止于提取的具体逻辑可查 原生入口实现。

为什么不能只挑误差最小的结果

更复杂的分解通常有更多自由度,可以吸收额外噪声,所以重构误差降低本身并不意外。问题在于新增成分是否有稳定、可解释的支持。本例中三特征结果的误差较低,但其稳定性不足,不能仅凭更好地贴合输入就宣称发现了第三种过程。

查看候选时,应同时保留误差、稳定性、每个成分的支持及样本贡献,而不是只截取最漂亮的一张谱图。若新增成分只出现在少数异常样本中,需要回到这些样本的原始质量与处理批次。若不同重复间成分频繁拆分或互换,也应把这种不稳定呈现出来。

还要区分候选解中的字母编号与生物学身份。特征排列可能变化,比较两次结果时应依据形状和贡献对应关系匹配,不能把第一列与第一列直接当作同一过程。编号变化不必然表示发现变化,形状近似也不自动证明因果机制相同。

从结果写到生物学结论还差哪些证据

本例可以写成,当前队列在所用条件下支持两个或一个可分辨的分解成分。不能写成两个成分分别由某种暴露引起,更不能把固定比例组的一特征结果当作排除另一过程的证据。软件输出描述的是模型和数据之间的关系。

与已知特征的相似性可以为后续解释提供线索,但仍需核对参考版本、测序范围、类别定义和样本背景。相似谱形可能有不同来源,低事件量或技术伪影也可能造成误配。参考匹配与机制判断应分开记录,避免把一个相似度数字直接翻译成确定的病因。

优点、局限与复用顺序

SigProfilerExtractor 的优势是把候选数量、重复分解和稳定性检查放在同一流程里,能帮助分析者审查单一最佳解之外的结构。代价是候选数、重复数与迭代设置共同增加计算工作,而且任何计算规模都不能替代有信息量、可比较的输入。

复用时可以先核对计数矩阵和样本构成,再查看各候选的收敛与稳定性,最后才整理参考匹配及生物学解释。遇到只有一个稳定特征时,先考虑样本之间是否提供了分离信息,不宜马上把候选下限强行设为两个来获得预期答案。

附件保留两组原创输入生成、原生调用和实际候选统计。本文没有运行变异文件转换、参考库分解或真实队列验证,读者能够复现的是固定混合比例怎样限制从头提取,以及如何避免把数学上的稳定合并方向误写为唯一生物学过程。

下载原创输入生成、原生调用与实际结果(ZIP)。合集按工具分目录,包含安装版本、运行条件和实际输出摘要。按各目录说明准备环境,在新的工作目录复跑,并保留日志与中间表。

当候选数量和重复实验扩展到多个队列时,可携带矩阵规模、软件版本与重复设置,向云生信生物分析服务器业务咨询环境和资源安排。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗