differential-expression

# scvi-tools 中的差异表达分析 本文档提供了有关使用 scvi-tools 概率框架进行差异表达 (DE) 分析的详细信息。 ## 概述 scvi-tools 实现了贝叶斯差异表达测试，利用学习到的生成模型来估计组间的表达差异。与传统方法相比，该方法具有以下优势： - **批次校正**：在批次校正后的表示上进行 DE 测试 - **不确定性量化**：效应大小的概率估计 - **零膨胀处理**：对缺失值 (dropout) 和零值的正确建模 - **灵活的比较**：在任何组或细胞类型之间进行 - **多模态**：适用于 RNA、蛋白质 (totalVI) 和可及性 (PeakVI) ## 核心统计框架 ### 问题定义 目标是估计两个条件之间表达的对数倍数变化 (log fold-change)： log fold-change = log(μ_B) - log(μ_A) 其中 μ_A 和 μ_B 分别是条件 A 和 B 中的平均表达水平。 ### 三阶段过程 **阶段 1：估计表达水平** - 从细胞状态的后验分布中采样 - 从学习到的生成模型生成表达值 - 跨细胞聚合以获得群体水平的估计 **阶段 2：检测相关特征（假设检验） - 使用贝叶斯框架测试差异表达 - 提供两种测试模式： - **"vanilla" 模式**：点零假设 (β = 0) - **"change" 模式**：复合假设 (|β| ≤ δ) **阶段 3：控制错误发现** - 后验期望错误发现比例 (FDP) 控制 - 选择确保 E[FDP] ≤ α 的最大发现数量 ## 基本用法 ### 简单的两组比较 python import scvi # 训练模型后 model = scvi.model.SCVI(adata) model.train() # 比较两种细胞类型 de_results = model.differential_expression( groupby="cell_type", group1="T cells", group2="B cells" ) # 查看前 20 个 DE 基因 top_genes = de_results.sort_values("lfc_mean", ascending=False).head(20) print(top_genes[["lfc_mean", "lfc_std", "bayes_factor", "is_de_fdr_0.05"]]) ### 一对多比较 python # 将一组与所有其他组进行比较 de_results = model.differential_expression( groupby="cell_type", group1="T cells" # 无 group2 = 与其余部分比较 ) ### 所有成对比较 python # 成对比较所有细胞类型 all_comparisons = {} cell_types = adata.obs["c