PCA图上出现分离,下一句常常是“说明处理效果很好”。但如果样本同时来自不同测序类型,这个判断可能太快。把颜色和形状分别交给两个因素,往往比反复调配色更有帮助。
本次我们用真实公开pasilla数据,在云生信BioAgent里同时展示condition和测序type,并计算一个描述性指标,检查这两个因素分别与PC1、PC2有多强的对应关系。结果相当直观:PC1主要对应处理分组,PC2主要对应测序类型;但这仍不是因果分解,更不是显著性检验。

一份七样本数据,包含两种需要区分的标签
pasilla是Bioconductor提供的果蝇RNA-seq示例数据,研究背景涉及pasilla敲低。我们从官方pasilla包取得计数与注释,使用14,599个基因、7个样本。样本处理组为treated和untreated,测序类型包括single-read和paired-end。
其中treated有3个样本,untreated有4个;single-read有3个,paired-end有4个。两种因素不是完全重合,但比例也不完全均衡。paired-end指双端测序,不能按英文里的paired把它解释为同一个体的处理前后配对。

我们要求Agent先按sample字段核对和重排样本表,然后按至少两个样本CPM≥1过滤,做log2(CPM+1),按基因中心化但不缩放,使用SVD计算PCA。颜色表示condition,点形状表示type,标注七个样本短名,图例完整显示在图外。
这份输入是基因级计数,不是FASTQ。因此图中测序类型来自样本注释;我们没有重新比对reads,也没有根据PCA反推哪种测序方式更好。明确数据所处阶段,能减少对一张探索图的过度期待。
方案也需要检查,代码可见才方便修正
首次方案中有一处空基因ID检查的写法不适用于pandas.Index。我们在确认运行前指出问题,让Agent将判断改成索引字符串与空字符串的比较;其余PCA方法保持不变。修正版运行后得到完整产物。

这个过程提醒我们,聊天分析可以降低组织代码和执行任务的门槛,但不能把“生成了代码”当成“结果已经正确”。可查看的方案、明确的报错和保留的结果表,比一句笼统的完成提示更有用。文章使用的是修正后实际运行的数据。
过滤后保留8,056个基因,去掉6,543个。PC1解释40.44%的变异,PC2解释32.41%,前两轴合计约72.85%。图中treated和untreated沿PC1分离,而single-read与paired-end更明显地沿PC2分开。

用一个描述性比例,避免只凭肉眼说“主要相关”
本次分别对每条PC坐标,按condition和type分组,计算η²:组间平方和除以总平方和。它表示按照某一个标签分组后,组均值之间的差异占该PC坐标总体变异的比例。这里没有做P值检验。
| 主成分 | 分组标签 | 描述性η² |
|---|---|---|
| PC1 | condition | 0.999194 |
| PC1 | type | 0.032048 |
| PC2 | condition | 0.000137 |
| PC2 | type | 0.940707 |
PC1按condition分组的η²接近1,与图中两组明显分开的现象一致。PC2按type分组的η²约0.941,也与不同测序类型上下分布的现象一致。我们独立复算了过滤数量、主成分方差和四个η²,与平台表格一致。
但这四个数来自分别进行的一元描述,不能相加当成处理和技术因素各自独立的贡献,更不能写成“处理造成99.9%的全部转录组变异”。PC1本身只解释整个输入矩阵变异的一部分;condition和type也并非完全独立。
看见技术结构,不代表马上把它消掉
有些分析看到PC2与测序类型对应,便立即要求“去批次,让两组聚得更好”。这样做之前,应该先问:这个标签是否确实代表要校正的技术来源?它与研究条件有多大关联?希望估计的效应是什么?
本例的type是测序类型,不应未经核查改名为实验批次。当前PCA没有消除type,也没有为了让处理组更整齐而调整数据。它的任务是暴露结构,为后续模型设计提供信息。

如果后续进行差异表达分析,可以结合研究设计讨论是否在模型中加入type,同时估计condition相关差异。正式模型的条件效应、标准误和多重检验结果,需要另行计算;不能用这张PCA替代。DESeq2官方工作流提供了设计公式和多因素分析背景,但本文没有运行DESeq2。
样本少,解释要留出空间
七个样本足以演示不同因素在PCA图中的对应关系,却不足以支持宽泛外推。某个标签高度对应一条主成分,也可能包含未记录的因素;还需要实验记录判断样本制备、操作时间、测序流程是否一起改变。
此外,本次按基因中心化而不缩放,高变基因对PCA影响更大。改为单位方差缩放、其他变换或不同过滤,得到的图可能不同。报告应把这些选择说清,而不是把当前坐标当成数据唯一的呈现方式。
对自己的项目,可以先要求Agent输出一张“双因素编码”的图,再要求导出样本坐标及标签;如果某个点异常,按样本名回查元数据。不要只保留截图,丢掉能够判断分组和坐标的CSV。
对话式分析的价值,是让问题继续向前走
这次任务在平台Python环境中完成,输出图、坐标、方差、过滤汇总、η²表和代码。无需先手写整段绘图流程,就可以从“样本为什么这样分开”走到一组具体、可核对的问题。这正是聊天界面结合计算环境的实际用途。
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pasilla真实counts和样本表实际画PCA,同时展示condition与测序type。核对样本,至少2个样本CPM>=1过滤,log2(CPM+1),按基因中心化不缩放,用numpy SVD。颜色代表treated/untreated,形状代表single-read/paired-end,7个样本短标签,图例图外;不要移除技术因素,不把测序类型直接称批次。输出PNG/PDF、7样本坐标、方差比例、过滤数量、代码,并计算每个PC分别按condition和type分组的一元描述性eta平方(组间平方和/总平方和),只看PC1/PC2,不做p值、不说因果。平台已有Python,生成方案。
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,可以从本例数据开始,尝试把你最关心的生物因素设为颜色、另一项设计因素设为形状。先把结构画清,再决定如何建模,比要求一张“分组更漂亮”的图更接近研究需求。
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
- 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
- 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。
