
chromVAR用ATAC或DNase片段计数,估计一组带有共同注释的峰在每个细胞或样本中的可及性偏差。数据量大时,常见问题不是简单的“核心数不够”,而是计数峰、motif匹配和基因组版本没有对齐,或分块时改变了背景。本文给出一套先在小数据上验通、再扩展的流程。请先完成细胞与峰的质量过滤,并确认输入是原始片段计数,而非归一化表达值。
先确认矩阵方向和峰坐标
计数对象应以峰为行、细胞或样本为列;motif注释通常以同一组峰为行、motif为列。两者行顺序必须一致,不能只看维度相同。生成匹配后,保留峰坐标、参考基因组版本、染色体命名规则和motif数据库版本。若更换过peak集合、排序或过滤步骤,就要重新生成motif匹配矩阵。
| 检查项 | 开始计算前核对 | 常见症状 |
|---|---|---|
| 计数 | 原始非负整数;峰和细胞ID唯一 | 整行或整列为零、ID重复 |
| 坐标 | 基因组版本和染色体命名一致 | GC值异常、峰与序列不对应 |
| motif | 行对应同一峰;列有稳定motif ID | 程序可运行但注释错位 |
| 样本 | 条件、批次、供体写入列信息 | 把细胞数当成生物学重复数 |
在完整细胞集合上固定背景
chromVAR根据各峰的GC含量和平均可及性构造背景峰集合,再估计偏差及其Z分数。GC偏差依赖正确参考序列;背景也依赖当前峰集合和细胞集合。若将细胞拆成多个任务,各部分的平均可及性基线可能不同,不能简单拼成一个结果。下面只按motif列分块,峰和细胞保持完整,背景与期望值在所有块中共用。分块主要减少同时保存在内存中的输出,不会消除完整计数矩阵和背景索引的资源需求。
固定背景后按motif分块
示例假定obj已经包含经过检查的counts和addGCBias生成的bias;motif是与obj峰顺序一致的逻辑稀疏矩阵,列名是motif ID。先用代表性小数据比较整批与分块结果,再按实际内存调整每块数量;50列不是通用最佳值。
library(chromVAR)
library(SummarizedExperiment)
library(Matrix)
library(BiocParallel)
register(SerialParam())
obj <- readRDS("obj-with-gc-bias.rds")
motif <- readRDS("peak-by-motif.rds")
x <- assay(obj, "counts")
stopifnot(nrow(x) == nrow(motif),
ncol(x) > 0, ncol(motif) > 0,
!anyDuplicated(colnames(obj)),
!anyDuplicated(colnames(motif)),
all(is.finite(x@x)), all(x@x >= 0),
all(x@x == floor(x@x)),
all(Matrix::rowSums(x) > 0),
all(Matrix::colSums(x) > 0),
"bias" %in% colnames(rowData(obj)),
all(is.finite(rowData(obj)$bias)))
# 另需核对motif每行对应obj中的同一峰坐标
bg <- getBackgroundPeaks(obj)
expect <- computeExpectations(obj)
dir.create("chromvar-results", showWarnings = FALSE)
for (start in seq.int(1L, ncol(motif), by = 50L)) {
ix <- start:min(start + 49L, ncol(motif))
ann <- motif[, ix, drop = FALSE]
dev <- computeDeviations(obj, annotations = ann,
background_peaks = bg,
expectation = expect)
stopifnot(nrow(dev) == length(ix),
identical(colnames(dev), colnames(obj)))
saveRDS(list(motif_id = colnames(ann),
cell_id = colnames(obj), result = dev),
sprintf("chromvar-results/chunk-%05d.rds", start))
rm(dev, ann)
gc()
}
如果输入是motifmatchr返回的SummarizedExperiment,也可以直接传入;按列切分前确认这些列代表motif而非峰。包版本之间注释对象类型和assay名称可能不同,要查本机帮助页。先用SerialParam确认流程,再尝试并行,并同时观察内存和磁盘写入;并行worker可能复制对象,线程数增加不一定更省时间。
用小规模对照验分块结果
先选一批峰、细胞和motif,分别做完整与分块计算。比较共有motif的deviations和deviationScores,核对行列名、NA/Inf、motif是否遗漏或重复。结果应在合理数值误差内一致。若差异明显,检查是否每块重算背景、重排或过滤了峰、是否用同一对象计算期望值,以及随机种子和包版本是否记录。背景索引只适用于对应峰集和输入对象。
正式计算后按原motif清单检查每个ID恰好出现一次,并逐块检查文件大小、维度、缺失值和有限值。无匹配峰的motif应保留并标记,或按方案明确排除,不要删掉后再按旧顺序合并。保存峰BED、参考基因组、counts来源、motif库版本、过滤规则、R与Bioconductor版本、并行设置、日志和分块参数。
结果解读与资源排错
deviation是相对期望的可及性偏差,deviationScores是参考匹配GC和平均可及性背景得到的Z分数。它们提示带有某motif的峰在细胞间可及性如何变化,不等于TF表达量、蛋白活性或直接结合证据。相似motif可能共享峰;单细胞之间也不是独立的生物学重复。条件比较应考虑样本、供体和批次等设计因素,不能因为细胞多就把显著性当成可靠的条件效应。
遇到内存不足,记录进程峰值内存和失败阶段,先减少单块motif数并检查磁盘空间。如果失败在背景生成或加载counts阶段,缩小motif块未必有帮助。不要将稀疏矩阵随手转成稠密矩阵,也不要拆细胞后直接拼接分数。计算资源应以代表性子集实测为准。
参考:chromVAR官方入门文档;chromVAR官方参考手册。
下载练习材料
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:输入和背景设置合理,必要矩阵仍超出现有容量。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
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。咨询本任务的服务器配置
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。
