同一批样本,有人先过滤低表达基因,有人把整个矩阵直接拿去做PCA。两张图略有不同,很容易引出争论:究竟哪一张才对?更值得回答的问题是,当前研究关心的样本关系,对过滤规则有多敏感。
这次我们把真实公开的GSE60450交给云生信BioAgent,在同一预处理口径下比较三种过滤规则。实际结果显示,参与计算的基因从27,179减少到12,254,前两个主成分呈现的样本距离关系仍高度相似。这为本次探索提供了一项具体的稳健性证据,也让“换个参数再画一次”变成了有记录、可核查的分析。

先固定其他条件,才能比较过滤本身
GSE60450包含12个小鼠乳腺样本,覆盖Basal和Luminal两类细胞、Virgin/Pregnant/Lactating三个阶段,每个组合两个重复。本次计数矩阵有27,179行,来源为GEO公开计数文件,分组依据对应SOFT元数据。
我们准备一份counts矩阵和一份样本表,在对话里明确要求:A使用全部基因;B保留至少两个样本CPM≥1的基因;C保留至少两个样本CPM≥5的基因。三种方案都先以每个样本完整计数矩阵的列总和计算CPM,再取log2(CPM+1),按基因中心化,不进行方差缩放,用SVD计算PCA。
这一段看似细,实际决定了比较有没有意义。如果每次过滤后又重新计算文库分母,同时还换成另一种归一化或缩放方式,就有多个因素一起改变。即使图变了,也难以知道到底是哪一步造成的。

“按基因中心化”是对每个基因减去它在样本间的平均值;“不缩放”意味着不同基因的方差仍有差别。我们没有把每个基因都变成单位方差,也没有使用高变基因Top集合。读者迁移到自己的项目时,应把这些选择写进方法,而不能只写一句“进行了PCA”。
方案里除了画图,还要交付什么
我们要求BioAgent输出三个面板、每种过滤下的样本坐标、方差比例、保留基因数,以及12个样本两两之间的二维距离。12个样本共有66个不重复样本对。用这些明细,可以量化比较图中结构,而不只依赖“看上去差不多”。

平台先给出可执行方案,经检查后运行。计算环境使用平台已有Python,产物包括PNG、PDF、CSV和代码。这里的云端价值是让提问、计算和文件交付发生在同一个工作过程里;本次没有进行服务器性能基准测试,也没有测量与本地电脑相比快了多少倍。
三套阈值的真实结果
| 规则 | 保留基因 | PC1解释比例 | PC2解释比例 | 前两轴合计 |
|---|---|---|---|---|
| A:全部基因 | 27,179 | 65.92% | 21.04% | 86.96% |
| B:至少2个样本CPM≥1 | 14,695 | 66.28% | 21.05% | 87.33% |
| C:至少2个样本CPM≥5 | 12,254 | 67.11% | 21.06% | 88.17% |

过滤变严格后,PC1解释比例略有上升,PC2变化很小。不能据此说C“一定最好”:解释比例的分母也随着参与分析的基因集合而改变。百分比更高,并不自动等于保留了更多生物学信息,更不能用它给归一化方法打分。
以A为参照,B的66个二维样本距离与A对应距离的Pearson相关为0.9999969,C为0.9999011。结合三面板图,可以说当前前两维的样本距离结构对这两种过滤阈值相当稳定。我们另用独立计算核对了基因数、方差比例和距离相关,数值与平台产物一致。
但“高度相关”不是“每一个距离完全相等”。Pearson相关反映线性一致程度,整体乘以常数也可能保持很高相关。因此正式报告应保留距离明细,让读者同时观察距离大小及变化,而不是只拿接近1的相关系数作保证。
图左右翻转了,未必是分析变了
PCA轴的正负号不是固定的物理方向。同一个结果,把PC1全部乘以负一,点会左右镜像,样本间距离却不改变。本次B和C的前两轴符号对齐到A,方便视觉比较;没有进行旋转,也没有借此修改任何分组关系。
如果读者重新运行后看到一张镜像图,应先比较方差解释和样本距离,而不是立刻认定程序错误。另一方面,不能借“轴可翻转”忽略真实的结构变化:某个样本是否由组内移到远处、某些样本对距离是否明显改变,仍需要逐项检查。
把“图例被裁掉”也变成一次清楚的对话
首次成图的图例位置不理想,部分标签也挤在一起。我们继续要求:只读取已有坐标与方差表,统一三个面板的坐标范围,把图例移到画布下方,给同组标签交错偏移,禁止重新计算PCA。这样,调整的是表达方式,原来的科学计算保持可追溯。

这个细节很接近真实工作。第一次结果未必能直接放进汇报,但你可以围绕已生成的结果提出明确修改要求。相比笼统地说“画得漂亮点”,“保留坐标、统一范围、完整显示图例”更容易得到可检查的产物。
这次稳定,不能外推到所有数据
本次结论限于这套数据、这三种过滤、当前CPM和log变换,以及前两个主成分。它不能证明低表达过滤永远不重要,也不能证明后续差异基因名单不受影响。样本量更小、整体分离更弱、某组特异基因更稀少时,过滤的影响可能不同。
还要区分表达矩阵探索与原始测序质控。我们没有读取FASTQ、检查接头污染或比对率,也没有拟合差异表达模型。PCA稳定只能回答当前结构是否容易随这组参数变化,不能替代实验质量记录或统计检验。
你可以把自己的问题写成:“固定归一化与PCA方法,比较三种过滤,报告每种保留数量、方差和同一组样本距离;如果不稳定,列出变化最大的样本对。”这比“帮我优化PCA”更有研究价值,也便于团队复查。
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:
实际比较本轮GSE60450数据三种过滤的PCA:A全部基因,B至少2个样本CPM>=1,C至少2个样本CPM>=5。每种都用原始全矩阵文库总量算CPM,再log2(CPM+1),按基因中心化,不缩放方差,用numpy SVD,不装包。三面板同颜色cell_type、同形状stage,标签样本短名,图例图外。各面板分别标PC1/PC2方差;SVD符号对齐A的PC1/PC2。导出每种保留基因数、前两轴方差、全12样本坐标CSV、PNG/PDF、代码;另对每种前2PC的66对样本欧式距离与A的距离向量算Pearson r。解释坐标旋转/符号和距离稳定性的区别,不做显著性检验。用平台已有Python,生成可运行方案。
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,从一份公开矩阵和样本表开始,先完成一个边界清楚的比较。需要扩展到更大矩阵或多任务运行时,再结合实际规模选择计算资源。把问题说明白、把产物留下来,才是聊天分析能够持续进入科研流程的关键。
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
- 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。
