software

MutationalPatterns 拟合相似度很高,特征贡献就可靠吗?相近参考的原生实跑

作者:发布于 2026-11-18约 11 分钟阅读
MutationalPatterns原创相近参考实验,高计数普通拟合未使用候选最大相对贡献23.44%,严格拟合高计数全剔除但低计数仍可能误认,非真实数据性能。

突变特征拟合常用原始谱与重构谱的相似度评价结果。如果相似度接近一,是否就能相信每个参考特征分到了正确贡献?答案取决于参考之间能否被区分。两个参考形状非常相近时,不同的贡献组合都可能很好地重构观测,整体拟合质量与单个成分的可靠性并不是同一个问题。

本文安装 MutationalPatterns 3.20.1,用三个原创参考形状运行普通拟合、严格拟合和重采样。实际生成数据时只使用其中两个,另一个是与真实成分高度相似的干扰候选。原生结果显示,普通拟合会给未参与生成的候选分配贡献,而且严格筛选也不是在所有低计数样本中都能选对身份。

MutationalPatterns原创相近参考实验,高计数普通拟合未使用候选最大相对贡献23.44%,严格拟合高计数全剔除但低计数仍可能误认,非真实数据性能。
实际运行普通非负拟合、严格拟合与每样本100次重采样。真实生成只含A与C,相近候选未参与生成,结果用于展示分配不确定性。

先说明拟合究竟已知什么

已知特征拟合需要两类输入,一类是样本各突变类别的计数,另一类是预先给定的参考概率形状。程序寻找非负贡献,使这些参考的加权组合尽量接近样本。它不会在这个过程中自动证明参考名称对应的机制真实发生,也不能发现所有未放入参考集合的新形状。

MutationalPatterns 提供多种突变模式分析功能,本文只实测参考拟合相关入口。软件同时支持从头提取、类别统计和基因组关联等任务,但不能因为加载了整个包,就把这些功能都算作已经验证。Bioconductor 软件介绍给出总体范围,具体完成步骤以本文输入与调用为准。

参考集合本身就是分析假设的一部分。加入很多彼此相近的参考,可能让模型有更多分配方式。删去某个参考,则相当于禁止模型使用它。无论扩大还是缩小集合,都应说明依据,不能先按希望得到的结果选择候选,再把输出称为不受先验影响的发现。

相近参考为什么会争夺贡献

假设两个参考在绝大多数类别上的比例几乎一样,只在少数类别上有轻微差异。一个样本中的抽样波动,就可能超过这点差异。此时,增加第一个参考、减少第二个参考,或反过来操作,都能得到近似相同的重构形状。

这种不确定性可能隐藏在很好看的整体相似度后面。重构谱关注的是最终合成形状,而研究者往往关注各成分名称和比例。前者稳定不代表后者稳定。遇到参考高度相似时,应直接检查贡献之间是否发生替代,而不是只看总误差是否足够小。

非负约束可以防止出现负贡献,但不能凭空增加区分信息。一个结果恰好把某个候选压到零,也不必然证明该候选不存在。它可能只是众多近似解释中的一种,或者由筛选策略和当前抽样决定。

原创参考与真实生成比例

本例使用九十六个示意通道,定义三个原创向量。第一种在前十六个通道有较高权重,第三种在后十六个通道有较高权重。第二种由第一种轻微变形得到,前八个高权重通道增加百分之三,后八个减少百分之三,再重新归一化。

第一种与第二种参考的余弦相似度约为零点九九九五五四。这个数值意味着它们形状非常接近,但并非完全相同。所有参考均由脚本生成,没有调用已知特征数据库,也没有给它们对应真实暴露或修复缺陷的名称。

样本的真实生成比例设为第一种百分之六十五、第三种百分之三十五,第二种从未参与生成。随后分别生成十五个总计数五百的样本和十五个总计数五万的样本,每个样本做多项分布抽样。两档计数用于观察观测量变化,不代表真实研究统一适用的质量阈值。

下表将三者简称为A、近似A和C,对应附件中的三个参考列。对照结果时需要按列名匹配,不能因不同导出表的排列变化而交换含义。

对象 在生成器中的作用 需要防止的误读
A 贡献65% 不是某个已知机制
近似A 真实贡献0 与A相似,可能误分配
C 贡献35% 提供明显不同形状
500与50000事件 两档抽样量 不是推荐纳入门槛

实际环境与可复现输入

本次环境为 Ubuntu 22.04.5、R 4.5.3 和固定版本 MutationalPatterns 3.20.1。安装后实际加载包,再运行原生函数。生成器固定随机种子,保存参考矩阵、计数矩阵、各方法贡献表、重采样表及完整结果对象,便于把最终数字追溯到具体输入。

micromamba create -n mutational-demo -c conda-forge -c bioconda bioconductor-mutationalpatterns=3.20.1 r-jsonlite
python run.py --rscript /path/to/mutational-demo/bin/Rscript --work mutational-refit-demo

这里从已经准备好的计数矩阵开始,没有读取真实变异文件,也没有测试参考序列提取或基因组机会校正。九十六个通道采用明确的示意标签,目的只是检查矩阵拟合,不能当作一份完整真实单碱基替换分析范例。

真实任务中,样本矩阵与参考矩阵必须使用相同的类别定义和顺序。即便两张表都恰好有九十六行,只要行对应关系不同,拟合就可能失去含义。输入检查应按类别名称对齐并核对,再检查列总量、缺失值和参考归一化,不能只比较矩阵维度。

普通拟合先得到什么

普通入口求解非负最小二乘问题。对每个样本,它寻找能较好重构输入的贡献组合。我们对全部三十个样本使用同一个参考集合,随后把各参考贡献除以该样本的输入事件数,观察误分配相对于实际数据量的大小。

低计数组中,未参与生成的相近候选获得的相对贡献从零到约百分之六十六点七九。高计数组中,这个范围仍为零到百分之二十三点四四。增加计数使最大误分配幅度缩小,但在这组非常相近的参考下,没有让所有普通拟合都自动归零。

与此同时,高计数组的原始谱与重构谱余弦相似度最低也约为零点九九九五二五。如果只用高相似度筛选报告,这些结果看起来都很好,却可能给未使用的候选分出相当贡献。这正是整体重构质量不能单独验证成分身份的实际例子。

方法与数据量 相近候选最大相对贡献 解释
普通,500事件 约66.79% 可替代真实A
普通,50000事件 约23.44% 高相似度仍有误分配
严格,500事件 约66.79% 筛选不能保证选对身份
严格,50000事件 0 本次15个样本均剔除

这里的分母是输入事件总数,不是把所有拟合贡献再次强制归一化后的总和。非负最小二乘的贡献和不必精确等于原始总量,所以表格用于比较数量级,不能额外假设每个样本的所有贡献比例严格相加为一。

严格拟合怎样减少多余成分

严格拟合通过逐步移除候选并重新拟合,检查重构相似度的下降是否超过设置阈值。它的目标是减少不必要的成分,使结果更简洁。本文使用默认的向后选择方式,并将允许的相似度下降参数设为零点零零四。

regular <- fit_to_signatures(counts, signatures)
strict <- fit_to_signatures_strict(
  counts, signatures, max_delta=0.004
)
strict_contribution <- strict$fit_res$contribution

实际结果中,高计数组的十五个样本都不再给相近干扰候选分配贡献。然而低计数组仍有样本用这个候选替代真实第一成分。严格筛选可以减少成分数量,但当两个候选非常接近时,保留较少成分与选对具体身份仍然是不同目标。

参数变大通常意味着允许更多重构损失,从而可以更严格地移除候选。它不是一个普适的生物学真假阈值。方法和参数方向可查 官方拟合教程,实际选择还应结合参考集合、计数及敏感性分析。

重采样检查贡献如何波动

我们再选取一个低计数样本和一个高计数样本,各做一百次原生重采样,并在每次抽样后使用普通拟合。重采样只是在现有类别分布附近产生新的计数,不会新增独立生物学样本。它用于检查当前观测轻微变化时,分配是否稳定。

set.seed(1288)
boots <- fit_to_signatures_bootstrapped(
  counts[, c(1,16), drop=FALSE],
  signatures, n_boots=100,
  method="regular", verbose=FALSE
)

低计数样本中,相近候选在一百次中的十八次获得非零贡献,其相对贡献最高约为百分之七十点二二。高计数样本中,四十九次出现非零贡献,最高约为百分之三十四点七二。两者的中位数都为零,但尾部范围明显不同。

不能因为高计数样本非零次数更多,就说它比低计数样本更不可靠。出现次数与出现时的幅度是不同摘要,而且这里只选了各一个样本。较小但频繁的替代,与偶尔出现的大幅替代,需要结合分布一起看,不能只挑一个指标排名。

重采样比例不是过程存在概率

本例知道干扰候选的真实生成贡献为零,但普通重采样仍能多次给出非零值。因此,将非零出现次数直接翻译成某个过程真实存在的概率,在这里就会造成明显误读。重采样反映的是当前数据与拟合规则下的波动,不是完整因果模型的后验结论。

一百次重采样也不足以精确估计很细的尾部界限。本文保留了实际分位数与全部贡献表,供读者观察不稳定的形态,不把分位区间声称为已验证覆盖率的置信区间。正式项目若依赖尾部决策,需要更充分的重复和适合该问题的统计设计。

还要注意,重采样无法自动发现所有系统性偏差。如果输入中存在稳定的技术伪影,每次抽样都会继承它。结果在重采样中稳定,并不能替代对变异质量、测序范围和参考匹配的审查。

参考集合怎样调整才有依据

当参考之间高度相似时,可以先查看参考间相似度矩阵,识别难以区分的候选组,再结合组织背景、已知适用范围和独立证据制定分析集合。这样能把选择依据放在拟合之前,避免根据当前样本输出反复删改直到出现期望结论。

若两个候选在现有信息下无法可靠区分,可以明确报告不确定性,或补充讨论它们的合并贡献。合并也应说明生物学含义和限制,不能为了得到稳定数字就任意合并完全不同的问题。读者真正需要知道的是,哪些结论由数据支持,哪些只是当前模型的一种分配。

比较组间差异时,还应避免一组使用严格筛选、另一组使用普通拟合,或者给两组不同参考集合却直接比较贡献。方法变化本身就能改变零值和稀疏程度。公平比较至少要先统一输入定义、参考版本和拟合规则。

优点、限制与实际检查顺序

MutationalPatterns 的优势是把计数矩阵、拟合、重采样和结果展示放在熟悉的分析环境中,适合逐步检查贡献来源。其局限是算法无法替代参考集合的合理性,也不能仅靠漂亮的重构图解决相近特征之间的信息不足。

实际使用可以先检查类别对齐,再检查参考相似性,随后比较普通与严格结果,最后查看重采样分布和残差。若某个候选在不同合理设置中频繁与相似候选互换,应把这种不确定性带进后续解释,而不是只选最符合预期的一次作为正式结果。

本文提供的是原创参考与计数的原生拟合对照,没有执行真实变异读取、参考机会校正或机制验证。最值得复用的经验是,将整体重构质量、贡献分配稳定性和生物学身份三个层次分开审查,避免一个接近一的相似度掩盖关键的不确定性。

下载原创输入生成、原生调用与实际结果(ZIP)。合集按工具分目录,包含安装版本、运行条件和实际输出摘要。按各目录说明准备环境,在新的工作目录复跑,并保留日志与中间表。

当重采样和参考敏感性分析扩展到多批样本时,可携带样本数、参考规模及重复设置,向云生信生物分析服务器业务咨询环境与资源安排。

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 ↗