Scanpy中Leiden聚类结果不一致问题的技术分析
2025-07-04 03:09:48作者:柏廷章Berta
问题背景
在生物信息学单细胞数据分析工具Scanpy的使用过程中,用户报告了一个关于Leiden聚类结果不一致的问题。具体表现为:在Scanpy 1.9.3和1.10.4版本中,相同的输入数据使用Leiden聚类算法会得到不同的结果,而理论上这两个版本的默认行为应该保持一致。
问题本质
经过深入分析,发现问题的根源在于Scanpy内部对重复数据处理方式的变化。在1.10.4版本中,Scanpy对邻居搜索(nearest neighbor search)的实现进行了重构,从使用sklearn.metrics.pairwise_distances
改为使用sklearn.neighbors.KNeighborsTransformer
。这一变化导致了对重复数据的处理方式发生了改变。
技术细节解析
-
邻居搜索算法差异:
- 旧版本(1.9.3)使用
pairwise_distances
计算所有成对距离 - 新版本(1.10.4)使用近似最近邻算法,效率更高但处理重复数据时行为不同
- 旧版本(1.9.3)使用
-
重复数据处理:
- 当数据中存在完全相同的行(重复样本)时,不同算法对"哪个样本更近"的判断可能不同
- 旧版本在某些平台(如macOS ARM64)上能产生稳定结果
- 新版本对重复数据的处理更加严格,可能导致邻居关系变化
-
影响范围:
- 主要影响存在重复样本的数据集
- 可能导致邻居图和后续聚类结果变化
- 对无重复数据的分析通常没有影响
解决方案
对于需要严格可重复性的用户,可以采用以下方法:
-
数据预处理:
- 检查并移除数据中的重复样本
- 对数据进行轻微扰动以避免完全相同的行
-
使用特定转换器:
from sklearn.metrics import pairwise_distances from scanpy.neighbors import _get_indices_distances_from_dense_matrix, _get_sparse_matrix_from_indices_distances class PairwiseDistancesTransformer: def __init__(self, n_neighbors=15, metric="euclidean"): self.n_neighbors = n_neighbors self.metric = metric def fit_transform(self, X): d_arr = pairwise_distances(X, metric=self.metric) ind, dist = _get_indices_distances_from_dense_matrix(d_arr, self.n_neighbors+1) return _get_sparse_matrix_from_indices_distances(ind, dist, keep_self=True)
-
版本控制:
- 明确记录使用的Scanpy版本
- 必要时固定依赖版本确保结果可重复
最佳实践建议
-
数据质量控制:
- 分析前检查数据是否存在重复样本
- 考虑使用
sc.pp.filter_cells
等函数进行数据清洗
-
可重复性保障:
- 对于关键分析,记录完整的软件环境
- 考虑使用容器技术(如Docker)固化分析环境
-
结果验证:
- 对重要发现进行多方法交叉验证
- 在不同参数设置下检查结果的稳定性
总结
Scanpy中Leiden聚类结果不一致的问题揭示了生物信息学分析中一个常见但容易被忽视的问题——重复数据处理。这一案例提醒我们:
- 软件更新可能改变对特殊情况的处理方式
- 数据质量对分析结果有重要影响
- 可重复性研究需要全面的环境记录
通过理解这一问题的本质,用户可以更好地设计分析流程,确保研究结果的可重复性和可靠性。对于单细胞数据分析,建议在正式分析前进行充分的数据质量控制和预处理,以避免类似问题的发生。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0266cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8