云生信学生物信息学

SingleR多参考注释教程:复用训练、分批查询并检查标签差异

作者:发布于 2026-11-20更新于 2026-11-15约 6 分钟阅读
训练一次,多批次复用

训练一次,多批次复用:统一基因ID和表达层;整理多参考及标签词汇;单进程训练后批次分类;检查获胜参考和低置信细胞
本文操作与检查路径示意。

SingleR支持多个参考并结合各参考结果,但不同参考可能来自不同技术、组织或标签词汇;多参考注释不等于把所有参考表达矩阵直接拼起来。大批量查询时,可把与查询无关的训练步骤和每批分类拆开,减少重复计算。首先统一基因ID和表达assay,再决定输出是保留参考特异标签,还是使用SingleR的多参考合并结果。

整理参考对象和查询基因

示例假设references.rds是SummarizedExperiment对象组成的列表,每个参考都有标准化表达assaylogcounts及标签列label.main;query.rds也含相同类型表达数据。检查参考物种、组织来源、assay名称、标签数量和基因ID,保留未命中基因统计。不同参考的标签粒度或命名若不一致,先整理映射表并保存原标签,避免同名但含义不同的类别被误认为相同。若基因ID有版本后缀或重复符号,先明确转换规则并记录未匹配数量,不要静默删除。

检查项 记录信息 为什么
参考 来源、版本、组织和细胞数 判断参考适用范围
标签 列名、类别数、粒度和词汇表 避免跨参考标签混淆
表达assay logcounts名称及归一化方法 训练和查询需用兼容数据
基因ID 物种、ID类型、交集比例 缺少共同特征会影响分类

训练一次并保存查询结果

下面读取一个代表性查询,训练时将查询基因名传入test.genes,使训练标记与查询可用基因匹配。num.threads=2仅为示例。当前SingleR的训练结构含不可序列化的外部指针,不要直接用saveRDS保存trained对象;在同一个R进程内复用它处理多批查询,保存每批预测表和软件信息即可。

library(SingleR)
refs <- readRDS("references.rds")
query <- readRDS("query-batch1.rds")
stopifnot(is.list(refs), length(refs)>=2,
          inherits(query, "SummarizedExperiment"))
stopifnot("logcounts" %in% assayNames(query))
labels <- lapply(refs, function(ref) {
  stopifnot("logcounts" %in% assayNames(ref))
  ref$label.main
})
stopifnot(length(labels)==length(refs),
  all(vapply(seq_along(refs), function(i)
    length(labels[[i]])==ncol(refs[[i]]) && !anyNA(labels[[i]]), logical(1))))
set.seed(2000)
trained <- trainSingleR(ref=refs, labels=labels,
  test.genes=rownames(query), assay.type="logcounts",
  aggr.ref=TRUE, num.threads=2)
pred <- classifySingleR(test=query, trained=trained,
  assay.type="logcounts", num.threads=2, prune=TRUE)
write.csv(as.data.frame(pred), "batch1-predictions.csv", row.names=FALSE)
writeLines(capture.output(sessionInfo()), "singler-session.txt")

aggr.ref=TRUE可按参考标签聚合以减少计算,但应检查小群体和稀有标签是否仍有代表性。若后续批次基因集合不同,需确保其基因是训练时指定集合的子集;否则按新查询基因重新训练。多参考分类默认会按参考分别计算并比较结果,同时提供获胜标签与来源参考,仍应单独查看各参考结果。

验收标签和低置信细胞

检查预测标签和reference来源的交叉表,统计pruned.labels中的NA或低置信结果,并比较标签分数差异、已知marker表达和样本组成。自动剪枝阈值可能较严格,也可能保留边界细胞;不能只报告最终类别计数。若不同参考对同一群体给出不同标签,回查参考组织、技术平台和标签粒度,保留分歧供人工判断。

按阶段测资源并保存复现材料

用/usr/bin/time -v Rscript run_singler.R分别记录参考读取/训练、每批分类和结果写出阶段的耗时及最大RSS;另保存参考文件校验值、批次细胞数、共同基因数、线程数和R/Bioconductor版本。训练结果在同一进程复用,可避免每批重复建索引;但多核分类与多个并行R进程会增加内存占用。先顺序处理一批,再逐档测试并发。只有完整参考和查询设置正确、单进程峰值稳定而批次仍超出期限,才根据实测评估增加内存或并发额度。

下载练习材料

下载教程 PDF · 下载代码与示例数据 ZIP

先核对包内SHA256清单,再在独立目录复现。

需要额外算力时

适用前提:参考选择与输入处理合理,必要注释计算超出可用内存。如需额外资源,可评估大内存CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。

咨询本任务的服务器配置

咨询本任务的服务器配置

留下手机号,我们会结合本文任务与您沟通服务器配置和报价。

也可联系云生信企业微信客服,说明本文任务。

参考与版本核对

按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。

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 ↗