Scanpy基因评分函数中分箱算法的优化分析
2025-07-04 19:36:59作者:农烁颖Land
背景介绍
在单细胞RNA测序数据分析工具Scanpy中,score_genes
函数是一个用于计算基因集表达评分的核心功能。该函数通过对基因表达量进行分箱处理,然后基于这些分箱结果计算特定基因集的富集程度。然而,当前版本的分箱算法存在一个技术问题:无法保证生成指定数量的等大小分箱。
问题描述
在分析小鼠造血祖细胞数据时,研究人员发现当设置n_bins=25
参数时,算法生成的25个分箱中有一个分箱(第24号分箱)完全为空。这与函数设计的初衷——生成近似等大小的分箱——相违背。
当前实现的分箱算法核心代码如下:
n_items = int(np.round(len(obs_avg) / (n_bins - 1)))
obs_cut = obs_avg.rank(method="min") // n_items
技术分析
当前算法的问题
-
分箱计算逻辑缺陷:当前算法使用
n_bins-1
作为分母来计算每个分箱应包含的基因数量,这在数学上就是不合理的,会导致分箱数量与预期不符。 -
取整方式不当:使用
round
函数进行四舍五入取整,可能导致分箱大小计算不准确。 -
排名处理问题:使用
rank(method="min")
结合整数除法,容易产生空分箱。
改进方案
经过技术验证,提出以下改进方案:
obs_avg.sort_values(ascending=True, inplace=True)
n_items = int(np.ceil(len(obs_avg) / (n_bins)))
rank = np.repeat(np.arange(n_bins), n_items)[:len(obs_avg)]
obs_cut = pd.Series(rank, index=obs_avg.index)
改进后的算法具有以下优势:
-
准确的分箱数量:严格保证生成指定数量的分箱(n_bins)。
-
均匀分布:每个分箱包含近似相同数量的基因,最后一个分箱可能略小(最多相差n_bins-1个基因)。
-
数学严谨性:使用向上取整(ceil)确保所有基因都能被分配到分箱中。
实际效果对比
通过可视化分析可以明显看出两种算法的差异:
- 当前算法:产生空分箱,分箱大小不均匀
- 改进算法:所有分箱都包含基因,大小分布均匀
技术建议
对于需要实现类似分箱功能的开发者,建议:
-
优先考虑使用排序后均匀切分的方法,而非基于排名的计算。
-
注意处理边界情况,特别是当基因总数不能被分箱数整除时。
-
对于大数据集,考虑算法的时间复杂度,改进后的算法由于需要完整排序,可能在极端大数据集上效率略低。
这一改进不仅解决了当前Scanpy中的技术问题,也为其他需要实现类似分箱功能的生物信息学工具提供了参考方案。
登录后查看全文
热门项目推荐
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
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~046CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0301- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选
收起

React Native鸿蒙化仓库
C++
176
262

🎉 (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
863
511

🔥🔥🔥ShopXO企业级免费开源商城系统,可视化DIY拖拽装修、包含PC、H5、多端小程序(微信+支付宝+百度+头条&抖音+QQ+快手)、APP、多仓库、多商户、多门店、IM客服、进销存,遵循MIT开源协议发布、基于ThinkPHP8框架研发
JavaScript
93
15

openGauss kernel ~ openGauss is an open source relational database management system
C++
129
182

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
259
300

deepin linux kernel
C
22
5

🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
596
57

为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.07 K
0

本仓将收集和展示仓颉鸿蒙应用示例代码,欢迎大家投稿,在仓颉鸿蒙社区展现你的妙趣设计!
Cangjie
398
371

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
332
1.08 K