Pydeseq2 API 参考

# PyDESeq2 API 参考 本文档提供 PyDESeq2 类、方法和工具的全面 API 参考。 ## 核心类 ### DeseqDataSet 用于差异表达分析的主要类，处理从归一化到对数倍数变化拟合的数据处理过程。 **目的:** 实现 RNA-seq 计数数据的离散度和对数倍数变化 (LFC) 估计。 **初始化参数:** - `counts`: pandas DataFrame，形状为 (样本 × 基因)，包含非负整数读取计数 - `metadata`: pandas DataFrame，形状为 (样本 × 变量)，包含样本注释 - `design`: str，指定统计模型的 Wilkinson 公式 (例如 "~condition", "~group + condition") - `refit_cooks`: bool，是否在移除 Cook 距离异常值后重新拟合参数 (默认: True) - `n_cpus`: int，用于并行处理的 CPU 数量 (可选) - `quiet`: bool，抑制进度消息 (默认: False) **关键方法:** #### `deseq2()` 运行完整的 DESeq2 流水线进行归一化和离散度/LFC 拟合。 **执行步骤:** 1. 计算归一化因子 (size factors) 2. 拟合基因级离散度 3. 拟合离散度趋势曲线 4. 计算离散度先验 5. 拟合 MAP (最大后验) 离散度 6. 拟合对数倍数变化 7. 计算用于异常值检测的 Cook 距离 8. 如果 `refit_cooks=True`，则可选重新拟合 **返回:** 无 (原地修改对象) #### `to_picklable_anndata()` 将 DeseqDataSet 转换为可使用 pickle 保存的 AnnData 对象。 **返回:** 包含以下内容的 AnnData 对象： - `X`: 计数数据矩阵 - `obs`: 样本级元数据 (1D) - `var`: 基因级元数据 (1D) - `varm`: 基因级多维数据 (例如 LFC 估计值) **用法:** python import pickle with open("result_adata.pkl", "wb") as f: pickle.dump(dds.to_picklable_anndata(), f) **属性 (运行 deseq2() 后):** - `layers`: 包含各种矩阵的字典 (归一化计数等) - `varm`: 包含基因级结果的字典 (对数倍数变化、离散度等) - `obsm`: 包含样本级信息的字典 - `uns`: 包含全局参数的字典 --- ### DeseqStats 用于执行统计检验和计算差异表达 p 值的类。 **目的:** 使用 Wald 检验和可选的 LFC 收缩来促进 PyDESeq2 统计检验。 **初始化参数:** - `dds`: 已使用 `deseq2()` 处理过的 DeseqDataSet 对象 - `contrast`: list 或