Scanpy中biomart_annotations缓存问题的技术解析

问题背景

在单细胞数据分析流程中，Scanpy作为Python生态中的重要工具，提供了biomart_annotations函数用于从BioMart数据库获取基因注释信息。近期发现该功能存在一个缓存行为异常：即使明确设置use_cache=False参数，系统仍会在工作目录下生成.pybiomart.sqlite缓存文件。

问题表现

当用户执行以下典型代码时：

import scanpy as sc

annot = sc.queries.biomart_annotations(
    'hsapiens',
    ['ensembl_gene_id', 'external_gene_name'],
    use_cache=False
)

尽管设置了use_cache=False，系统仍会在当前目录生成.pybiomart.sqlite文件。这个隐藏文件在某些情况下会与其他生物信息学工具（如Omnipath）产生冲突，导致程序异常终止。

技术分析

底层依赖关系

Scanpy的biomart_annotations功能实际上是对pybiomart包的封装。缓存行为的异常并非直接来自Scanpy本身，而是源于其依赖的requests_cache包的行为变化。

问题根源

经过深入排查，发现问题与以下技术细节相关：

1. pybiomart包使用requests_cache来管理API请求的缓存
2. 在较新版本的requests_cache中，缓存行为变得更加积极
3. 即使显式禁用缓存，底层库仍可能创建缓存数据库文件

解决方案验证

通过以下方法可以解决该问题：

1. 更新requests_cache到最新版本（直接从GitHub安装开发版）
2. 或者显式配置requests_cache的缓存策略

最佳实践建议

对于需要严格控制缓存行为的用户，建议：

1. 明确指定缓存目录，避免污染工作空间
2. 定期清理临时缓存文件
3. 考虑使用虚拟环境隔离不同项目的依赖
4. 对于生产环境，建立明确的缓存管理策略

总结

这个问题展示了生物信息学工具链中依赖管理的复杂性。虽然表面上是Scanpy的功能表现异常，但实际根源在于其依赖包的更新带来的行为变化。这提醒我们在生物信息学分析中需要：

1. 密切关注依赖包的版本变化
2. 理解工具链中各组件的交互方式
3. 建立完善的异常处理机制

通过这次问题的分析，我们也看到开源社区快速响应和解决问题的能力，这对于保证科研工作的连续性至关重要。