Scanpy基因评分函数中分箱算法的优化分析

背景介绍

Scanpy作为单细胞RNA测序数据分析的重要工具，其score_genes函数被广泛用于评估基因集在细胞中的表达活性。该函数的核心步骤之一是将所有基因按平均表达量排序后进行分箱处理，以便后续计算基因集在表达谱中的富集程度。

问题发现

在分析小鼠造血祖细胞数据时，研究人员发现当前版本的分箱算法存在一个技术问题：当设定分箱数量为25时，实际产生的第24号箱为空箱。这与期望的等量分箱结果不符，影响了后续分析的准确性。

算法对比

当前实现算法

现有代码采用以下逻辑进行分箱：

1. 计算每个分箱应包含的基因数量：n_items = int(np.round(len(obs_avg) / (n_bins - 1)))
2. 使用排名和整除运算分配箱号：obs_cut = obs_avg.rank(method="min") // n_items

这种方法存在两个潜在问题：

• 使用n_bins-1作为分母可能导致分箱数量计算偏差
• 排名和整除运算的组合可能产生空箱

改进后算法

提出的优化方案采用更直接的分箱策略：

1. 对基因平均表达量进行排序
2. 计算每个分箱的理论基因数量：n_items = int(np.ceil(len(obs_avg) / n_bins))
3. 使用重复和截断操作均匀分配箱号

这种方法的优势在于：

• 确保生成精确指定数量的分箱
• 每个分箱的基因数量差异不超过1
• 避免了空箱情况的出现

技术影响

分箱算法的准确性直接影响基因集评分的结果。空箱或不等量分箱可能导致：

1. 某些表达区间的代表性不足
2. 评分计算时的权重偏差
3. 最终结果的可重复性降低

解决方案建议

基于分析结果，建议采用以下改进措施：

1. 使用ceil而非round确保分箱数量准确
2. 直接基于排序位置分配箱号，避免排名运算的副作用
3. 保持最后一个分箱允许少量基因数量差异，确保整体分布均匀

这种改进在保持算法简洁性的同时，能够提供更可靠的分箱结果，特别适合处理基因数量不能被分箱数整除的情况。

结论

Scanpy中基因评分函数的分箱算法优化是一个典型的数据离散化问题。通过采用更直接的分箱策略，可以确保结果更符合用户预期，提高下游分析的可靠性。这一改进对于单细胞RNA测序数据分析的准确性具有重要意义。