候选基因排到前面,就可以直接挑去做验证了吗?如果样本很少,一个供体的反应特别强,名单可能会跟着它走。此时值得多问一句:暂时少纳入一位供体,前面的候选还在不在?
这次我们把真实公开的 airway 数据交给云生信agent,通过聊天提出分析要求,确认方案后运行,再取回原始图表和明细。文章中的科学图是实际生成的 PNG;每张图都有独立 PDF 下载。操作截图只展示相关区域,提问和数字也直接写在正文中。

从四对真实样本开始
airway 数据包含四个人气道平滑肌细胞系的配对 RNA-seq 样本,比较地塞米松处理与未处理条件。数据背景见 Bioconductor airway 官方页面,对应 Himes 等人的研究及 GSE52778。本次使用 Bioconductor CSAMA 课程公开的 counts 和样本表。
为方便上传,我们把课程 counts 表转为“基因在行、样本在列”,把样本表中的 Run、cell、dex 分别对应到 sample、donor、treatment,保留原始计数。这里沿用数据表的 donor 字段:四个编号对应四个来源细胞系,每个编号都有一份 trt 和一份 untrt。
| 本次输入与检查 | 实际内容 |
|---|---|
| 计数矩阵 | 33,469 个基因 × 8 个样本 |
| 配对结构 | 4 个供体,每个供体一对处理/未处理样本 |
| 分析前检查 | 样本名匹配、配对完整、counts 为非负有限整数 |
| 固定过滤规则 | 全部 8 个样本中,至少 2 个样本 CPM ≥ 1 |
| 过滤后比较范围 | 15,050 个基因;四次留一均使用同一集合 |
小样本尤其需要保留配对关系。我们比较的是每个供体内部“处理后减处理前”的变化,然后才对供体求平均。这样可以避免把供体本身的高低差异直接混进处理效应。
把分析问题写成可以检查的要求
下面这段可以直接复制,再替换成自己的文件和分组。完整的本次提交文本也放在文末下载包中。
请用附件 counts 和样本表,检查样本匹配与供体内配对。按全矩阵样本总计数计算 CPM,固定保留至少两个样本 CPM≥1 的基因。对 log2(CPM+1) 计算每个供体的 trt−untrt 差值,用四个供体差值的均值,按绝对值从大到小确定 Top20 和 Top6,同值按 gene_id 排序。每次暂时不纳入一个供体,用其余三个重新排名;比较 Top20 交集、全基因均值的 Spearman 相关和严格符号反转数,并追踪固定 Top6 的排名。请分别输出条形图和带整数标注的排名热图,提供原始 PNG、PDF、明细表和实际代码。先给出可确认方案;留一只用于诊断,不永久删除样本,不做显著性检验。

这里有三个需要提前说清的地方。第一,CPM 的分母使用每个样本过滤前的总计数,不要把筛完的基因重新凑成一个“总量”。第二,过滤集合始终固定,否则名单变化会混入“基因是否还被保留”的影响。第三,Top6 始终指全四供体分析选出的那六个基因,后面只看它们去了第几名,不能每次换成新的六个。

确认方案后,任务在云端执行并返回图表、CSV 和代码。对于这种已有计数矩阵的小任务,本次流程省去了在个人电脑上重新准备分析环境的步骤。本文展示的是这次工作流跑通的记录,没有做硬件速度或环境优化前后的性能比较。
图已经出来,还能接着用聊天改
第一版条形图的数字碰到了右边框。我们没有把这个小问题留给读者,而是在同一会话里继续提出修改:
请保持数据、过滤规则和所有结果数字不变,只把四个标注移到各自条形内部靠右、白色显示,横轴仍为 0—20。重新输出 PNG 和 PDF,保留实际绘图代码。

确认修改方案后,agent 重新生成了图表。下文使用修改后的原始 PNG,并提供配套 PDF;我们同时核对了修改前后的结果表,分析数字一致。这种追加要求很实用:先把问题算清,再把图调整到可以阅读和分享。
图一:Top20 保留了 17—18 个,名单大体延续
先看最容易理解的指标:全四供体分析选出的 20 个基因,少一个供体后还能留下几个?

| 暂时不纳入 | 对应供体 | Top20 交集 | 保留比例 |
|---|---|---|---|
| D1 | N052611 | 17/20 | 85% |
| D2 | N061011 | 18/20 | 90% |
| D3 | N080611 | 18/20 | 90% |
| D4 | N61311 | 17/20 | 85% |
可以说,这个筛选口径下的前 20 名在四次留一中保留了大部分成员。但每次仍有 2—3 个成员换出名单。如果后续只准备验证两三个候选,这种边界变化就值得看清楚。
85%—90% 是两份名单的交集比例,不是准确率、重复实验成功率或显著性水平。这里也没有一个通用的合格线,能把某个比例直接判成“足够稳定”。是否值得验证,还要结合效应大小、表达水平、已知生物学背景和实验可行性。
图二:名单大体稳定,不代表每个名次都不变
第二张图固定追踪全四供体分析的前六个基因。每个格子里的数字是该基因在全部 15,050 个基因中的排名;数字越小,排得越靠前。

| 候选 | 全四供体 | 去 D1 | 去 D2 | 去 D3 | 去 D4 |
|---|---|---|---|---|---|
| G1 | 1 | 1 | 1 | 1 | 1 |
| G2 | 2 | 2 | 2 | 2 | 2 |
| G3 | 3 | 3 | 3 | 3 | 4 |
| G4 | 4 | 4 | 6 | 4 | 3 |
| G5 | 5 | 6 | 7 | 5 | 6 |
| G6 | 6 | 5 | 4 | 6 | 7 |
G1、G2 在这四次扰动中一直排第一、第二;G5、G6 则各有一次落到第七名。若规则是“只拿前六名”,它们的入选就会受某次供体省略影响。第六与第七之间的切线由我们设定,不能据此把第七名当成没有研究价值。
为了让手机上看图时不被长编号挤满,图中使用 G1—G6。对应关系在下面,下载包里也有 CSV:
| 图中编号 | 完整基因 ID | 全四供体平均差值 |
|---|---|---|
| G1 | ENSG00000109906 | 4.746 |
| G2 | ENSG00000152583 | 4.181 |
| G3 | ENSG00000096060 | 3.858 |
| G4 | ENSG00000163884 | 3.823 |
| G5 | ENSG00000101347 | 3.667 |
| G6 | ENSG00000211445 | 3.630 |
这里的差值是在 log2(CPM+1) 尺度上计算后跨供体平均的描述量,不能直接当成正式差异分析模型输出的 log2FoldChange。本例没有用 P 值或 FDR 排名,也没有将这些基因命名为“显著差异基因”。
排名依据是差值的绝对值,因此明显降低的基因同样可能入榜。“排名靠前”本身不代表上调;本例表中六个候选的全四供体均值恰好都为正。
为什么相关性很高,还会出现方向变化?
除了前面的候选,我们还比较了所有保留基因的有符号均值。四次留一与全四供体结果的 Spearman 相关都超过 0.97,但仍有一部分基因的均值从正变负或从负变正。
| 暂时不纳入 | 全基因均值 Spearman 相关 | 严格符号反转基因数 |
|---|---|---|
| D1 | 0.9743 | 1,053 |
| D2 | 0.9809 | 871 |
| D3 | 0.9724 | 996 |
| D4 | 0.9795 | 868 |
两项指标回答的问题不同:Spearman 看整体排序关系,符号反转只看均值有没有跨过零。数学上,一个接近零的均值稍有变化就可能跨零,所以方向变化本身不足以说明效应很大。对具体基因,应回到逐供体差值表检查变化幅度;本文不把这些反转数直接解释成生物学结论翻转。
还要注意,每次留一都与全四供体结果共享三个供体,高相关并不是独立数据集上的验证。四个来源细胞系也不足以覆盖人群差异。这里检验的是这一组数据、这一套转换与排序规则,对暂时少纳入一个供体有多敏感。
看完这次结果,下一步怎么做?

如果某个候选始终靠前,可以把它列入后续复核范围,同时检查其表达量、逐供体变化和生物学依据。如果某个候选排名波动大,应检查是哪一对样本贡献了较大的差值,再结合原始质控和实验记录判断原因。
不要因为少了某个供体之后“图更好看”,就把它从正式分析中删掉。每次从四个变成三个,本来就减少了信息;本次所有供体仍被保留。正式差异分析还需要根据实验设计选择计数模型、处理供体配对及多重检验。本次留一诊断可以补充候选筛查,不能替代这些步骤。
这也是聊天做分析值得尝试的地方:从“给我一张图”推进到“这个候选是否依赖某个供体”,再把问题落实为固定的过滤规则、可检查的计算过程和可下载的结果。用户仍需要理解并确认分析口径;agent 负责把已明确的问题推进到实际执行和成果交付。
原图、数据和代码都在这里
下载本次完整分析包:数据、代码、CSV、两张 PNG 和两份 PDF
包内 README 说明数据来源、文件用途和运行方式;prompt.txt 保留完整提交文本。正文已经列出主要结果,下载包用于进一步核查、改图和尝试复算。
如果你手上也有一份 counts 和配对样本表,可以从同一个问题开始:“请先核对配对,再检查我的候选是否依赖某个供体。” 进入云生信agent,尝试自己的分析问题。
