农家乐网站源代码,上海哪家做网站,做图模板网站有哪些内容,南通网站排名优化价格上一期内容提到了BayesPrism算法用于单细胞数据的反卷积#xff0c;BayesPrism算法在实际应用中非常占用计算资源以及消耗使用者的时间。那么是否有较好的替代包呢#xff1f;
曾老师告诉了我一个R包—InstaPrism#xff0c;他希望我将其和BayesPrism算法做个对比。
开发者…上一期内容提到了BayesPrism算法用于单细胞数据的反卷积BayesPrism算法在实际应用中非常占用计算资源以及消耗使用者的时间。那么是否有较好的替代包呢
曾老师告诉了我一个R包—InstaPrism他希望我将其和BayesPrism算法做个对比。
开发者给InstaPrism的直接定义就是“用于快速实现BayesPrism”。
简单来说这个包是基于BayesPrism分析框架分析并把里边非常耗时的Gibbs采样步骤替换成了fixed-point algorithm从而减少了运行时间。 接下来分别运行这两种算法并对结果做一个粗糙的对比。
BayesPrism分析步骤详见推文https://mp.weixin.qq.com/s/Rj8PL6wJqwWhsmLG8tx89w。
BayesPrism
1、输入数据情况
dim(sc.dat)
#[1] 5042 20124dim(bk.dat)
#[1] 424 60533sc.dat: 5042个细胞和20124个基因的单细胞数据
bk.dat424个样本和60533个基因的bulkRNA数据(TCGA-LIHC的count数据
2、运行BayesPrism
关键步骤 bp.res - run.prism(prism myPrism, n.cores20)设置了20线程
#核心代码
start_time - Sys.time() # 记录初始时间
bp.res - run.prism(prism myPrism, n.cores20)
end_time - Sys.time() # 记录终止时间
end_time - start_time # 计算时间差# Time difference of 2.865344 hours需要将近3个小时如果能设置50线程的话时间可以进一步缩短。建议采用较高配置的电脑或者服务器运行。
InstaPrism-code from github
1、安装及加载R包
if (!require(BiocManager, quietly TRUE))install.packages(BiocManager)
if (!require(Biobase, quietly TRUE))BiocManager::install(Biobase)
if (!require(devtools, quietly TRUE))install.packages(devtools)
devtools::install_github(humengying0907/InstaPrism)library(InstaPrism)2、数据处理 开发者建议使用TPM或者count的bulkRNA数据并且从例子来看TPM是更优选。但为了前后分析一致本次运算仍使用count数据。
# 处理单细胞数据
a - as.data.frame(GetAssayData(sc_dataset, layer counts)) # 行为基因列为细胞名/样本名cell_meta - sc_datasetmeta.data # 处理好的单细胞注释文件
a_ref - refPrepare(sc_Expr a,cell.type.labels cell_meta$celltype, # 细胞类型cell.state.labels cell_meta$state_type, # 细胞状态)
head(a_ref)[1:3,1:3]# bulkRNA数据
b_bulk - exp # 行为基因列为细胞名/样本名# 运行函数
start_time - Sys.time() # 记录初始时间
deconv_res - InstaPrism(bulk_Expr exp, # bulkRNA数据refPhi_cs a_ref) # 单细胞数据
end_time - Sys.time() # 记录终止时间
end_time - start_time # 计算时间差# Time difference of 1.086436 mins真的非常快哦。本来需要将近3小时现在只需要1分钟。
3、提取数据
# 用Post.ini.cttheta可获得细胞的theta估计值
estimated_frac - t(deconv_resPost.ini.cttheta)# 提取之前保存好的BayesPrism分析结果进行比较
theta - as.data.frame(theta) #BayesPrism分析结果
estimated_frac - as.data.frame(estimated_frac) #IntraPrism分析结果
names(theta) - c(BayesPrism_1,BayesPrism_2,BayesPrism_3)
head(theta)[1:5,1:3]
# BayesPrism_1 BayesPrism_2 BayesPrism_3
#TCGA-ZP-A9CY-01A-11R-A38B-07 4.718213e-07 0.9999993 2.523228e-07
#TCGA-DD-AAVZ-01A-11R-A41C-07 6.814688e-02 0.9314891 3.640295e-04
#TCGA-DD-A1EC-01A-21R-A131-07 5.272019e-01 0.4400359 3.276221e-02
#TCGA-DD-A1EC-11A-11R-A131-07 2.532253e-07 0.9999996 1.089799e-07
#TCGA-DD-AADN-01A-11R-A41C-07 3.301156e-01 0.5707665 9.911796e-02names(estimated_frac) - c(InstaPrism_1,InstaPrism_2,InstaPrism_3)
head(estimated_frac)[1:5,1:3]
# InstaPrism_1 InstaPrism_2 InstaPrism_3
#TCGA-ZP-A9CY-01A-11R-A38B-07 0.01309068 0.9869093 1.698626e-12
#TCGA-DD-AAVZ-01A-11R-A41C-07 0.05282472 0.9471751 2.133425e-07
#TCGA-DD-A1EC-01A-21R-A131-07 0.18103636 0.8130102 5.953452e-03
#TCGA-DD-A1EC-11A-11R-A131-07 0.01004673 0.9899533 8.360430e-13
#TCGA-DD-AADN-01A-11R-A41C-07 0.45022208 0.4644255 8.535239e-02identical(rownames(estimated_frac),rownames(theta))
# [1] TRUE
dat - cbind(estimated_frac,theta)其实从这里粗看就可以发现数据结果的差异还是非常大的。
4、相关性分析(粗糙的比较一下)
# 懒的写循环了就三张图徒手修改代码出图 hhh
library(ggstatsplot)
colnames(dat)
ggscatterstats(data dat,x InstaPrism_1, y BayesPrism_1, xlab InstaPrism_1,ylab BayesPrism_1,bf.message FALSE)相关性的值分别在0.840.870.67。说实话这个相关性的数据应该不能让使用者满意吧。
为什么会出现这样的情况目前能想到的有两个可能的主要原因1、没有进行异常基因过滤2、算法上的差异。
因此笔者重新回溯了开发者提供在github中的代码发现并没有提供相应的过滤函数(英语不好如果理解没有误的话)。同时笔者也尝试采用了BayesPrism算法中提供的过滤函数过滤了数据之后再跑IntraPrism相关性更低了....
接下来了解了Gibbs 采样和Fixed-Point算法。Gibbs 采样通常用于贝叶斯推断特别是当直接采样较难实现时。它在处理高维分布和复杂模型时具有优势而定点算法常用于确定性优化问题例如在确定的条件下求解系统的稳定状态或最优解。Fixed-Point算法在某些特定的情况下可以替代Gibbs采样1当所使用的模型相对简单、确定且具有良好的收敛性质时定点算法更适用2在计算资源有限或需要快速结果的情况下定点算法的高效性显得尤为重要3在某些高维度数据分析中如果定点算法能够被证明在这些维度上具有稳定的收敛性它可能是一个更好的选择4当有较强的先验信息或假设可以指导模型的构建和优化时定点算法可以利用这些信息进行快速收敛5在对模型的鲁棒性要求较低的情况下定点算法可以作为替代。总而言之要使用 Fixed-Point算法需要满足一定的条件。
那么是否InstaPrism能平替BayesPrism呢? 恐怕大多数情况下还是不行的还是老老实实的用BayesPrism进行分析吧~
参考资料
1、githubhttps://github.com/humengying0907/InstaPrism?tabreadme-ov-file
2、生信碱移https://mp.weixin.qq.com/s/NTOxq_soYmPVbSItXVKGPw
致谢感谢曾老师小洁老师以及生信技能树团队全体成员。
注若对内容有疑惑或者有发现明确错误的朋友请联系后台(欢迎交流)。更多内容可关注公众号生信方舟
- END -
