两张热图使用完全相同的30个基因和12个样本,颜色却可能给人不同印象:左图某个基因整体很亮,右图它有的样本变红、有的变蓝。数据没有换,真正变化的是颜色所代表的数值。
这次我们把真实公开的GSE60450计数矩阵交给云生信BioAgent,用一句明确的需求生成两张并排热图:一张展示log2(CPM+1),另一张展示逐基因的行Z-score。实际运行、筛选表、两份数值矩阵和绘图代码都保留下来。读完后,你应该能判断热图里的红色到底是“表达高”,还是“相对于这个基因自己的平均值更高”。

先说明要比较什么,再让 Agent 画图
输入仍是 GSE60450 的27,179个基因、12个样本。样本有Basal与Luminal两类细胞,每类覆盖Virgin、Pregnant、Lactating三个阶段,每个组合有两个重复。计数来自 GEO 原始矩阵,分组按SOFT记录核对,基因保留Entrez ID。
我们没有先给一份“差异基因名单”,而是明确让Agent按跨样本方差选择高变基因。这两类名单的含义不同:高变基因是样本之间变化较大的基因,可能体现细胞类型、阶段、技术因素或异常;差异表达结论则需要明确比较、合适模型及误差控制。本次没有进行后者。
提问里写清了六件事:CPM过滤阈值、对数变换、方差定义、选取数量、固定行列顺序、两种色标。要求先保留至少两个样本CPM≥1的基因,以log2(CPM+1)的样本方差选Top30,方差使用ddof=1。两幅图必须使用同样的基因、同样的列顺序,不聚类,防止把排序变化与数值变换混在一起。

最初发送发生在附件尚未全部加入当前提问时,我们补发了两份文件,并明确只使用本轮附件。这个细节值得保留:文件出现在浏览器里,不代表已经随消息提交。实际操作时,等附件显示添加完成,再发送需求,可以少一次来回。
方案里真正影响解释的几步
CPM的分母使用每个样本原始全基因计数总和。先确定这个分母,再筛选基因,避免在过滤后重新计算文库总和而改变尺度。随后对CPM加1取以2为底的对数。加1使零值有定义,也使低表达区域的数值变化具有特定的伪计数依赖。
过滤后剩下14,695个基因。Agent对每个基因的12个log表达值计算样本方差,按降序选出30个。列按Basal/Luminal、Virgin/Pregnant/Lactating和样本名排列,行按方差排名固定。这个排序本身就是展示方法的一部分,写清楚后,读者才能重现图的布局。
右图在选定的每一行内再减去该行平均值,并除以该行样本标准差。它回答的是“这个样本相对该基因的总体水平高多少个标准差”。由于每个基因都使用自己的中心和尺度,行Z-score不适合跨行比较绝对表达量。

| 要回答的问题 | 看哪份输出 | 读图时注意 |
|---|---|---|
| 哪些基因跨样本变化最大 | Top30方差表 | 这不是显著性排名 |
| 同一基因在哪些样本表达较高 | 两张图均可结合看 | 左图是log表达,右图是相对自身均值 |
| 两个基因谁表达量更高 | 左图及log2CPM矩阵 | 不要用右图不同基因的红色深浅比较 |
| 某个格子的精确数值是多少 | 两份30×12矩阵 | 读数比目测颜色更可靠 |
| 细胞类型或阶段能否造成差异 | 需要进一步设计分析 | 本次热图不能代替统计模型 |
真正运行之后,数值说明了什么
实际Top30列表中,方差最高的Entrez ID是11475,样本方差约23.4816;接下来包括14663、17880、22373、12797、110308。这里列出ID是为了能和下载表对应,并没有把它们自动映射成基因符号,更没有据ID猜测生物学功能。
这30行log2(CPM+1)的整体取值范围约为0.0572–16.8338。经过逐行标准化后,Z-score范围约为−1.7425–1.8596。两个范围处在不同单位下,不能直接比较大小。右图的颜色更均衡,来自标准化规则,并不是测量数据变得“更可靠”。

观察图形时,可以先沿同一行看两类细胞和三个阶段,再回到左图判断表达基数。有些基因在某些组里本来就非常高,左图会保留这种量级差异;右图则强调该基因在哪些样本相对升高或降低。它们分别服务不同问题,没有必要争论哪一张一定更漂亮或更专业。
本次两个矩阵的基因ID、样本顺序、原始log表达及Z-score均进行了独立计算核对。核验不只是“文件能打开”:我们从同一原始counts重算CPM和方差,再核对选出的基因及每个格子的数值。这样才能区分排版变化、变换差异与真正的数据错误。
想让热图更有解释力,可以怎样继续聊天
一个有用的后续要求是:“请保留这30个基因和列顺序,只调整字号、色标和图例,不重新筛选。”如果改图时又重选了Top30,即使图片更清楚,前后就不是同一份比较。把“只改呈现”和“修改分析参数”分开写,是保持结果可追溯的简单办法。
如果研究问题是阶段差异,也可以进一步要求:“只比较Luminal内部的三个阶段,并解释为什么不能把Basal混进去。”这属于新的分析范围,应重新确认分组、过滤策略和设计,而不是从当前热图直接宣布阶段效应。特别是每组只有两个重复时,漂亮的分组块并不会自动增加统计证据。

还要警惕“先选变化最大的基因,再用同一批样本证明这些基因变化大”的循环。这张图当然容易显出变化,因为筛选标准就是方差。它适合探索、解释样本结构和提出后续问题;若要证明候选特征可推广,需要独立样本或预先确定的基因集。
另外,Top30不代表剩下的基因都没有价值。数量只是为了保证图上标签可读。你可以基于明确目的比较Top20与Top50,但不应不断调整数量,直到出现最符合预期的分组后只报告那一张。
云端环境和可下载结果,怎样帮助下一步
本次BioAgent实际使用平台Python执行代码,生成PNG、PDF、筛选表、两个数值矩阵及运行记录。对已有计数矩阵的小任务,能够在同一会话里看需求、方案和成果,省去了把片段代码从聊天窗口搬到另一个环境再找输出目录的步骤。
这里没有测量服务器提速,也没有进行全流程RNA-seq分析。原始FASTQ、比对、定量、注释更新以及正式差异模型都不在本次任务内。若后续换成更大的数据,先看实际资源和数据位置,明确使用平台环境还是接入的个人服务器,再决定执行方案。
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:
用本轮真实GSE60450 counts和样本表,平台已有Python实际做Top30高变基因热图。先按至少2个样本CPM>=1过滤,以log2(CPM+1)的跨样本方差ddof=1选Top30,按方差降序固定基因;列按cell_type、阶段Virgin/Pregnant/Lactating、sample排序,不聚类。画左右对照:原始log2CPM热图和逐基因行Z-score热图(ddof=1),两个独立色标,样本与基因ID可读,保留Entrez,不做ID转换。输出PNG/PDF、Top30方差表、两份30×12数值CSV、代码和过滤汇总。不把高变等同差异显著,指出行Z分数不能跨基因比较绝对表达。生成方案,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。

想试一下,可以准备表达矩阵和分组表,进入 云生信 BioAgent,直接提出:“请把同一批基因的log表达和行Z-score并排画出来,给我两份数值表,并说明它们分别能回答什么。”从一张热图的颜色含义开始,比只要求“画得好看”更容易得到能用于讨论的结果。
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
- 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。
