服务器与环境

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

作者:发布于 2026-11-17约 9 分钟阅读
本篇真实数据实操主题与步骤

组会里常见这样的图:三个阶段、三个均值、一条线,变化趋势看起来很清楚。可每个阶段有几个重复?两个重复是否一致?这条线连接的是同一个体,还是不同个体的组均值?只看折线,往往回答不了。

这次我们用真实公开GSE60450中的Luminal样本,让云生信BioAgent筛选阶段变化幅度较大的基因,并在一张六面板图里同时保留每个重复点和阶段均值。结果适合用来演示一个很实用的习惯:让趋势图保留构成趋势的数据。

本篇真实数据实操主题与步骤
本篇真实数据实操主题与步骤。

为什么只选一种细胞类型

完整GSE60450包含Basal和Luminal两类细胞,以及Virgin、Pregnant、Lactating三个阶段。两种细胞本身就可能差异很大。如果直接把全部12个样本混在一起,用阶段作为唯一分组,很容易把细胞类型构成也带进解释。

本次固定为Luminal,只保留LA/LB、LC/LD、LE/LF六个样本,三个阶段各两个重复。计数来自GEO公开文件,样本身份根据系列元数据整理。原始输入是27,179个基因的计数矩阵,没有把示例数字伪装成真实实验。

BioAgent实际提问与公开数据附件
BioAgent实际提问与公开数据附件。

我们给Agent的任务是:按完整文库计数计算CPM,再取log2(CPM+1);在这六个样本中,保留至少两个样本CPM≥1的基因;分别计算三个阶段的平均log表达;以三个阶段均值的最大值减最小值排序,选择前六个;图中展示全部重复点和阶段均值,不把不同动物连成个体轨迹。

这里“先取log再平均”是一项明确的方法选择。平均log值不等于先平均CPM再取log,两个方法回答的问题并不完全相同。我们将公式与分组写清,避免图已经画完,却不知道线上的数字如何得来。

先看筛选规则,再看六条曲线

过滤后保留13,438个基因。排序指标是三个阶段平均log2(CPM+1)之间的极差,没有使用P值,没有进行多重检验,也没有把前六名称为显著差异基因。

BioAgent待运行方案与计算位置
BioAgent待运行方案与计算位置。
基因ID Virgin均值 Pregnant均值 Lactating均值 阶段均值极差
14663 6.219 14.004 15.944 9.724
12992 2.179 4.187 11.843 9.665
22373 6.670 12.639 15.609 8.938
19242 10.618 1.797 2.317 8.820
11839 9.520 3.453 1.008 8.512
14077 2.240 9.676 10.563 8.324

本次保留原始Entrez基因ID,暂不补充symbol或功能注释,避免未经核对的映射进入图和解释。附件含阶段均值、排序和逐样本长表,可以用ID回到原矩阵查证。表中数字另经独立计算核对,与平台输出在显示精度内一致。

本篇实际计算结果图;点击查看完整大图
本篇实际计算结果图;点击查看完整大图。

同样“幅度大”,实际变化形态不同

14663在Virgin到Pregnant之间已经明显增加,Lactating进一步升高;12992则更突出地表现为Lactating阶段增加。两者都排在极差前列,但不能用同一句“随阶段逐渐上调”概括所有细节。

19242从Virgin到Pregnant降低,在Lactating略有回升;11839则在三个阶段持续降低。14077在Pregnant阶段已处于较高水平。这些不同形态提示,后续提问可以从“谁变化最大”转为“变化主要发生在哪两个阶段之间”。

但图形形态只是描述。三个阶段不是等间隔的连续时间采样,折线也不代表我们测到了阶段之间每一个时点。不能据此估计变化速度、峰值时间,或者宣称某基因驱动了阶段转换。

每个阶段只有两个点,点比误差带更诚实

本次每个阶段只有两个生物学重复。保留两个实际点,可以直接看到它们的间距;均值线负责帮助阅读整体方向,不应把个体差异藏起来。图里各阶段之间的线连接的是均值,不是同一只动物的追踪轨迹。

这一区别很重要。如果把LA与LC、LC与LE随意连起来,读者可能误以为三个样本来自同一只动物不同阶段,进而按照配对研究理解。样本名称相邻、文件排列相近,都不是建立配对关系的证据。

BioAgent实际结果与后续讨论界面
BioAgent实际结果与后续讨论界面。

迁移到自己的数据时,先把样本表中的individual_id、组别和时间点分开。如果确实是纵向随访,再要求按个体连线;如果每个时间点是不同个体,就画分布、实际点和组均值,避免用连线暗示不存在的研究设计。

为什么“最漂亮的六个”不能当独立验证

这六个基因正是按当前数据的阶段极差挑出来的,因此它们看起来变化大并不意外。选择规则和展示使用同一批样本,图形不能再作为独立证据证明筛选准确。它们适合提出候选问题,之后还需要正式模型和独立材料。

如果目标是确认阶段相关基因,应明确比较对象、重复数、可能的协变量和多重检验方式。对这些counts,下一步可以另行拟合合适的计数模型,但本文没有运行该步骤,也不提供未经计算的显著性星号。

此外,极差容易突出某一阶段的极端值。另一种合理追问是:“把每个阶段两个重复的差距也列出来,检查排名靠前的基因是否由单个样本推动。”这能把漂亮曲线转化为可复核的候选清单,而不急着给它们贴生物学标签。

从一句需求到一组可继续讨论的文件

这次BioAgent在平台Python环境中完成计算,并交付PNG/PDF、阶段均值、全部候选排序、Top6逐样本表和代码。文章里的图来自实际产物,界面截图记录了提问、方案和结果。云端环境让数据、代码和输出集中在同一会话中,读者可以围绕已经生成的图继续提出具体修改。

例如可以继续要求“保持六个基因不变,统一纵轴范围”,或者“保留原筛选结果,补充组内重复差值表”。最好一次只改一个解释重点,并保存原版本;不要每次挑一组更顺眼的基因,最后只留下最符合预期的图。

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:

用附件GSE60450真实数据探索Luminal阶段变化,平台Python现有包。先以全矩阵总counts算CPM,取Luminal六个样本;保留至少2个Luminal样本CPM>=1的基因。对log2(CPM+1)按Virgin/Pregnant/Lactating三阶段分别计算均值,计算三个阶段均值的最大值减最小值,取幅度最大的6个基因(保留Entrez)。画2×3面板,每个基因显示六个原始样本点和三阶段均值线,不把不同小鼠连成纵向轨迹;显示样本短名,简洁英文图注,明确每阶段n=2。输出全基因幅度排名CSV、Top6逐样本及阶段均值CSV、PNG/PDF和代码。不做差异检验、不把极值筛选当独立验证。请给出可执行方案。

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。

BioAgent实际交付的结果文件清单
BioAgent实际交付的结果文件清单。

想试试这种工作方式,可以打开云生信BioAgent,用附件里的真实公开数据,先要求一张“保留所有重复”的趋势图。对于自己的课题,先确认数据单位和样本设计,再让Agent帮你把研究问题落实成表格、图形和可追溯代码。

本系列继续读

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。

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 ↗