服务器与环境

数据下载之后,直接开聊:用 BioAgent 做真实转录组质控、PCA 与改图

作者:发布于 2026-11-17约 12 分钟阅读
云生信 BioAgent:从公开计数矩阵开始,聊天提需求、云端做分析

拿到一张几万行的表达矩阵,下一步是什么?很多人的第一反应是找教程、复制代码、安装软件包。真正开始后,又会碰到更具体的问题:哪列是基因,哪列是样本?分组表对不对?这张 PCA 图为什么分成几团?想把图例移开,是从头运行还是只改绘图?

这次我们把这些问题带进云生信 BioAgent,用一份真实的公开转录组数据,记录从查来源、上传数据,到实际质控、PCA 和连续改图的过程。文章中的对话与界面截图来自本次操作,数据来自 NCBI GEO。我们也会解释结果能回答什么、哪些判断仍需要研究者确认。

BioAgent 值得体验的地方,是把“描述需求—查看方案—执行计算—围绕结果继续提问”放进同一个工作场景。你可以先说清楚研究问题,再逐步补充分组、方法和图表要求。代码与执行环境仍然重要,但不必成为提出第一个分析问题的门槛。

云生信 BioAgent:从公开计数矩阵开始,聊天提需求、云端做分析
本次实操使用真实公开数据。点击文中图片可查看大图。

第一个问题:这份公开数据适不适合我练手?

我们选择 NCBI GEO 的 GSE60450。它包含小鼠乳腺的 Basal、Luminal 两类细胞,覆盖 Virgin、Pregnant、Lactating 三个阶段,每种组合两个生物学重复,总计十二个样本。GEO 同时提供基因原始计数矩阵,数据体量适合先体验输入检查和样本关系探索。

第一条提问没有急着要求画图,而是:“请帮我查找并核实 GEO 数据集 GSE60450:研究对象、样本分组、是否有可下载的基因原始计数矩阵。请给出官方来源,先核实数据,不要用合成示例替代。”

在 BioAgent 中要求核实 GSE60450 的真实数据来源与分组
操作截图 1:先提出可核实的问题,再开始计算。

Agent 返回了数据集入口、样本分组与分析注意事项,并明确区分“查到了计数文件”和“已经下载检查矩阵”。这一点很实用:知道有文件,只是开始;真正的数据检查还需要读取文件,核对表头和数值。我们随后下载了 GEO 原始计数文件及 SOFT 元数据,逐一建立样本名与分组的对应关系。

本例从作者提供的基因计数矩阵开始,不涉及 FASTQ 质量检查、比对或重新计数。原矩阵中的 Length 是基因长度注释,不能当成第十三个样本。整理输入时,我们去掉 Length,保留 Entrez 基因编号和十二列原始计数,缩短样本名称以便画图,并按 GEO 元数据生成独立分组表;计数值没有改变。

把分析要求说具体,输出就更容易检查

第二步同时附上计数矩阵和分组表,用一句话说明想检查什么:“请检查维度、缺失值、负值、非整数、重复基因、全零行、样本分组对应及文库大小;对十二个样本画 PCA,颜色区分细胞类型、形状区分阶段,标注样本名,交付 PNG、PDF、质控表和代码。”

同时附带原始计数矩阵和分组表,通过聊天提出质控与 PCA 需求
操作截图 2:把要检查的项目、分组方式和交付格式说明白。

这类提问比“帮我分析一下”更容易形成明确方案。输入是什么、关注什么、需要哪些交付物,都已经交代清楚。我们另外要求不自动改标签、不擅自删样本、保留原始基因编号。对于出现异常的数据,先报告问题,再讨论处理方法。

实际操作中,Agent 会展示待确认的分析方案。这里值得花一点时间:核对输入文件、计算位置、统计方法以及输出格式。聊天降低了操作门槛,研究设计和方法核对仍是必要环节。本次我们检查代码时发现了一处 Python 汇总写法问题,并通过对话要求修正;修改分析时,平台还要求本轮重新引用输入文件。这里记录的是包含检查与调整的真实使用过程。

BioAgent 待运行方案:输入数据、平台计算位置、运行限额和确认按钮
操作截图 3:这次方案的计算位置为平台计算;运行前查看输入和代码。

第一份结果,要先回答“输入是否能继续分析”

实际执行后,我们拿到了文件级质控表、样本级质控表、PCA 得分与方差表,以及 PNG、PDF、代码和执行记录。核对结果显示,矩阵包含 27,179 个基因、12 个样本;没有空白计数、非有限数值、负值或非整数计数,没有重复基因 ID,计数矩阵与分组表的样本集合一致。

BioAgent 实际输出的文件级质控表,显示 27179 基因、12 样本和异常数值检查
操作截图 4:真正执行后出现的质控表。文章数字以下载表逐项复核为准。

全零基因有 5,787 行,约占 21.29%。这里的“全零”是指这个基因在全部十二个样本中的计数都是零,不等于缺失值,也不能直接据此判断测序失败。它提醒我们:在后续差异分析里,需要明确低表达过滤规则,并记录有多少基因进入检验。

各样本的计数总和在 20,015,386 到 24,723,827 之间。这个数是本矩阵的文库大小,不能直接替代原始测序 reads 总数、比对率或 RNA 完整性指标。表内检测到非零计数的基因数为 16,701–18,533。我们根据下载表逐项核对了这些数字;AI 的文字摘要同样需要与结果表交叉检查。

对于初学者,这一步的价值在于把“好像能跑”变成具体检查项:到底检查了多少样本?分组对应了没有?是否有不应该出现的负数?输出目录里有没有可下载的表格?这些问题得到回答后,再讨论生物学解释更踏实。

PCA 看到了什么,又不能说明什么?

本次探索采用按文库大小计算的 CPM,再进行 log₂(CPM+1) 变换;随后对基因进行中心化,使用全部基因计算 PCA,没有进行方差标准化。这是一个明确记录方法的基础探索版本,尚未做 TMM 组成校正和低表达过滤,也没有加入批次校正。

PC1 解释约 65.92% 的变异,PC2 解释约 21.04%,前两轴合计约 86.96%。按 GEO 分组查看,Basal 与 Luminal 在第一主成分上明显分开;同一细胞类型内部,不同发育阶段在图上也呈现不同位置。每一组两个重复总体比较接近,可以继续检查样本之间的关系。

这张图给我们的直接启发是:细胞类型是分析设计中不可忽略的因素。假如研究目标是比较 Luminal 细胞从妊娠到哺乳的变化,下一步就应该围绕同一细胞类型的对应样本建立比较,而不是把全部样本混在一起,靠一个“前后阶段”标签解释所有变化。

同时,图上分开不等于统计显著,更不等于某条机制已经得到证明。PCA 的轴向符号也没有固定生物学意义,整张图左右翻转不会改变样本间的相对关系。正式研究还应检查低表达过滤和归一化选择对结果的影响,结合实验记录评估潜在批次因素;每组仅两个生物学重复也需要在结论中交代。

第一次实际生成的 PCA 图,图例与部分样本标签存在遮挡
结果图 1:初始 PCA。图例挡住右上角样本、部分标签重叠,正是下一轮追问的具体问题。

图例挡住了样本?继续说出你想改什么

第一张 PCA 已经能看出整体分布,但图例挡住了右上角的样本,一些重复样本的名称也叠在一起。我们继续输入:“只读取本轮附带的 PCA 得分和方差表重新绘图,不重算 PCA、不改坐标。Basal 用蓝色、Luminal 用橙色,保留阶段形状,图例放到图外右侧。”

通过聊天要求只改 PCA 图例、颜色和标签,保留原始坐标
操作截图 5:用自然语言提出修改要求,并明确不重算 PCA。

初次调整后,我们打开真实 PNG 检查,发现标签仍需要进一步排布,于是继续给出固定偏移,并对相邻的 DL、DJ 标签进行单独微调。这个过程和实际工作很接近:先得到可检查的初稿,再把具体问题说出来,而不是每次改颜色、移动图例都重新从头计算。

区分“改图”和“改分析”很重要。本次重绘读取已导出的十二个样本坐标,随后逐项比对修改前后的 PC1、PC2;配色、图例与标签位置可以调整,样本坐标保持一致。看到图变得更清楚时,也要知道数据有没有跟着改变。PNG 适合插入展示材料,PDF 方便放大查看,标签表和代码则保留了具体设置。

经过对话调整的最终 PCA 图,样本坐标保持不变
结果图 2:对话中逐步调整后的 PCA。颜色表示细胞类型、形状表示阶段;全部十二个样本坐标已与原结果表核对一致。

服务器接进来,分析才有可执行的落点

聊天分析的使用体验,离不开背后的计算环境。能说明步骤,与能读取数据、执行代码、保存结果,是不同的能力。本次质控和 PCA 使用平台已有的 Python 环境完成,没有在个人电脑安装分析依赖;结果中保留了代码、执行日志和环境记录。你可以查看生成了哪些文件,也可以把图表和数据下载下来继续核对。

BioAgent 的“我的服务器”还提供个人服务器接入、目录浏览和资源查看入口。本次实际打开面板,能够看到账号可用 CPU、内存、存储及更新时间。这些信息能帮助判断任务应该放在哪里运行:小型表格探索与大型原始数据分析,对计算资源的要求显然不同。资源面板里的数字是当时账号与目录的状态,可用量会随着服务器使用而变化,不应当当成所有用户的固定配置。

BioAgent 个人服务器资源面板的实测快照,可用资源随使用变化
操作截图 6:2026 年 11 月 17 日读取的个人服务器资源面板。这不是平台小任务实际占用,也不是统一租赁配置。

当前界面说明,公共计算单任务最多使用两个逻辑 CPU、4 GiB 内存,运行上限五分钟;使用自己的服务器执行时,按该服务器的资源和授权运行。这里的五分钟是运行上限,不是完成时间承诺。本次平台计算也没有使用个人服务器面板里显示的全部资源。

对于研究者,环境与服务器结合的实际价值,在于减少重复准备工作的来回切换:已有的数据在哪里、能用哪个环境、结果保存成了什么,都可以围绕同一个分析项目继续讨论。不同任务是否需要增加内存、并行计算或调整存储,应结合数据规模、软件和实际瓶颈判断。本文没有做服务器优化前后的速度对照,因此不提供提速倍数;“能连接服务器”也不等于任何代码都已经适配完成。

第一次打开,可以照着这几步试

如果你已有表达矩阵,建议同时准备一张样本分组表。矩阵负责告诉软件“每个基因在每个样本里有多少计数”,分组表负责说明“这些样本属于谁、处在什么条件”。尤其是公开数据,内部样本名与 GEO 编号往往不同;把映射关系保存下来,后续读图和复查会轻松很多。

你现在的卡点 可以这样向 BioAgent 提问 需要核对的输出
只知道一个 GEO 编号 核实研究对象、样本分组和计数文件,给出官方来源 数据类型、样本记录、下载入口
不确定矩阵能不能用 检查维度、异常数值、重复 ID、全零行与样本对应 文件级与样本级质控表
想先看样本关系 做探索性 PCA,明确变换方式,按分组着色并标注样本 图、坐标表、方差表与方法
图出来但不好读 保留数据和坐标,只修改颜色、图例与标签偏移 新版图以及修改前后数据一致性
想继续比较两个条件 说明细胞类型、比较方向、重复数和希望使用的方法 比较设计、归一化、过滤与统计检验方案

提问时,还可以加上三句话:“先说明你准备怎么做”“发现输入问题先停下”“把图、表和代码一起保留”。它们能帮助你把任务拆成可检查的小步骤。若只想改图,也要明确写出“不要重新计算、不要改变数据”,避免把呈现调整和分析方法调整混在一起。

这次体验已经遇到环境选择、资料引用和方案校验方面的重试,因此不建议把第一次使用的目标定成“一句话完成整篇论文”。更合适的起点,是用一份来源清楚的小数据,完成一个你能够理解和核对的任务,再逐步扩大分析范围。

数据和结果可以下载核对

下载本次公开数据与实操结果包:包含整理后的计数矩阵、分组表、原始来源说明、质控结果、PCA 得分与方差表、最终 PNG/PDF,以及平台实际执行的代码和环境记录。附件 README 说明各文件用途;代码使用平台运行时路径,不能直接当成本机一键运行脚本。

进一步了解 RNA-seq 的过滤、归一化和模型设计,可阅读 Bioconductor 官方 RNAseq123 工作流。该工作流使用不同的数据集,本文只将其作为方法学习入口,不声称复现了它或原研究的全部结论。

从你手里的那张表开始

如果你已经拿到公开数据或测序结果,却卡在“下一步该做什么”,可以进入云生信 BioAgent,先发一个具体问题。没有自己的数据,也可以从本文的 GSE60450 案例开始,练习检查输入、理解 PCA,再提出自己的图表要求。

真正值得带走的,是一种连续的分析方式:先把问题说清楚,看见可执行方案,拿到图表和数据,再围绕结果继续讨论。图怎么来的、输入有没有问题、下一步能不能下结论,都应该能被追问。

进入云生信 BioAgent,开始一次聊天分析

实操与核查日期:2026 年 11 月 17 日。界面、资源额度和环境可能随后更新,以使用时页面为准。本例未执行基因差异检验,也没有进行 FASTQ 质控或服务器性能基准测试。

把知识用于当前任务

先确定合适的计算资源

根据数据规模和分析任务,快速测算 CPU、内存、存储与 GPU 配置。

测算服务器配置仍有疑问,联系客服 ↗