Scanpy中score_genes函数的使用注意事项

背景介绍

Scanpy是一个广泛使用的单细胞RNA测序数据分析工具包，其中的sc.tl.score_genes函数用于计算基因集得分，是分析细胞类型或功能状态的重要工具。然而，许多用户在使用过程中遇到了"ValueError: No valid genes were passed for scoring"的错误提示。

问题现象

用户在使用sc.tl.score_genes函数时，即使确认基因列表中的基因确实存在于adata.var_names中，仍然会遇到以下错误：

1. 警告信息显示"genes are not in var_names and ignored"
2. 随后抛出ValueError异常，提示没有有效的基因可用于评分

问题原因分析

经过对源代码的分析和用户反馈的验证，发现这个问题通常由以下两种情况引起：

1. 未正确处理.raw属性：当adata对象设置了.raw属性但未明确指定use_raw参数时，函数会默认尝试从.raw中查找基因，导致看似存在的基因实际上在.raw中不存在。

2. 参数传递方式不当：当以字典形式传递基因列表时，函数可能无法正确解析字典结构，误将字典键名当作基因名处理。

解决方案

针对上述问题，有以下几种解决方法：

1. 明确指定use_raw参数：

sc.tl.score_genes(adata, gene_list=markers, use_raw=False)

2. 确保基因列表格式正确：

# 正确方式 - 直接传递基因列表
markers = ['Isl1', 'Tcf21', 'Tlx1']
sc.tl.score_genes(adata, gene_list=markers)

# 错误方式 - 传递字典结构
markers_dict = {'cell_type': ['Isl1', 'Tcf21', 'Tlx1']}
# 这会引发问题

3. 预处理基因列表：

# 确保所有基因都存在
valid_genes = [gene for gene in markers if gene in adata.var_names]
if len(valid_genes) < 2:
    raise ValueError("有效基因数量不足")

最佳实践建议

1. 在使用score_genes前，始终检查基因是否存在：

print([gene for gene in markers if gene in adata.var_names])

2. 对于大型分析项目，建议封装一个安全评分的函数：

def safe_score_genes(adata, gene_list, score_name, **kwargs):
    valid_genes = [g for g in gene_list if g in adata.var_names]
    if len(valid_genes) < 2:
        print(f"警告: {score_name}只有{len(valid_genes)}个有效基因")
        return
    return sc.tl.score_genes(adata, gene_list=valid_genes, 
                           score_name=score_name, **kwargs)

3. 考虑使用Scanpy的替代函数sc.tl.score_genes_cell_cycle或sc.tl.score_genes_gmt，它们提供了更专业的评分方法。

技术细节

score_genes函数的工作原理是：

1. 将表达矩阵分成若干bin
2. 为每个目标基因选择表达量相似的对照基因
3. 计算目标基因与对照基因的表达差异

当出现"no valid genes"错误时，说明在第一步就无法找到足够的目标基因，通常是因为基因名匹配失败或基因数量不足。

总结

正确处理score_genes函数的关键在于：

1. 明确基因来源（raw与否）
2. 确保基因名完全匹配
3. 提供足够数量的有效基因
4. 使用正确的数据结构传递参数

通过遵循这些准则，可以避免常见的评分错误，确保单细胞数据分析流程的顺利进行。