Scanpy中highest_expr_genes绘图函数显示异常问题解析

在单细胞RNA测序数据分析过程中，Scanpy是一个广泛使用的Python工具包。其中highest_expr_genes函数用于可视化表达量最高的基因，但在某些情况下会出现显示异常的问题。

问题现象

当使用sc.pl.highest_expr_genes()函数绘制表达量最高的基因时，即使指定了只显示前20个基因(n_top=20)，图表中仍会显示所有分类变量(Categorical)中的基因名称，导致图表出现多余的空白行。

问题根源

该问题源于Seaborn绘图时对分类变量的处理方式。当传入的基因名称列是分类类型(Categorical)时，Seaborn会保留原始分类中的所有类别，即使这些类别并不存在于当前筛选后的数据中。具体来说：

1. 函数内部首先创建一个包含表达量最高基因的DataFrame(counts_top_genes)
2. 虽然DataFrame的形状是正确的(只包含指定的基因数量)
3. 但由于基因名称列是分类类型，Seaborn在绘图时会保留所有原始分类级别

解决方案

目前有两种可行的解决方法：

方法一：转换数据类型

将基因名称列从分类类型转换为普通对象类型：

if 'gene_symbol' in adata.var.columns and adata.var['gene_symbol'].dtype.name != 'object':
    adata.var['gene_symbol'] = adata.var['gene_symbol'].astype('object')

方法二：使用索引替代

直接将基因名称设置为索引：

adata.var.index = adata.var.gene_symbol
sc.pl.highest_expr_genes(adata, n_top=20)

技术背景

在单细胞数据分析中，分类变量常用于存储具有固定类别的数据，如细胞类型、批次信息等。虽然分类变量可以节省内存并提高某些操作的效率，但在可视化场景下有时会导致意外行为。

Scanpy的highest_expr_genes函数主要用于质量控制和数据探索，帮助用户识别可能的高表达基因(如线粒体基因)，这些基因有时需要被过滤掉以避免干扰后续分析。

最佳实践建议

1. 在进行可视化前，检查关键列的数据类型
2. 对于仅用于显示的列，考虑使用普通对象类型而非分类类型
3. 当遇到类似的可视化问题时，可以尝试简化数据输入(如使用索引而非额外列)
4. 保持Scanpy和相关依赖库(如Seaborn)的版本更新，以获得最新的bug修复

这个问题虽然不影响数据分析结果，但会影响可视化效果和用户体验。理解这类问题的根源有助于我们更好地掌握单细胞数据分析工具的使用技巧。