689 lines
20 KiB
Markdown
689 lines
20 KiB
Markdown
# FScanpy 教程 - 完整使用指南
|
||
|
||
[](tutorial.md)
|
||
|
||
## 摘要
|
||
FScanpy 是一个专为预测 DNA 序列中程序性核糖体移码（PRF）位点而设计的 Python 包。该包集成了机器学习模型、序列特征分析和可视化功能，帮助研究人员快速定位潜在的 PRF 位点。
|
||
|
||
## 介绍
|
||
|
||
|
||
FScanpy 是一个专门用于预测 DNA 序列中程序性核糖体移码（PRF）位点的 Python 包。它集成了机器学习模型（梯度提升和 BiLSTM-CNN）以及 FScanR 包，提供精确的 PRF 预测。用户可以使用三种类型的数据作为输入：需要预测的完整 cDNA/mRNA 序列、疑似移码位点附近的核苷酸序列，以及物种或相关物种的肽库 blastx 结果。它预期输入序列位于 + 链上，并可与 FScanR 集成以提高准确性。
|
||
|
||
|
||
|
||
对于整个序列的预测，FScanpy 采用滑动窗口方法扫描整个序列并预测 PRF 位点。对于区域预测，它基于疑似移码位点周围 0 读码框中的 33bp 和 399bp 序列。首先，短模型（HistGradientBoosting）将预测扫描窗口内的潜在 PRF 位点。如果预测概率超过阈值，长模型（BiLSTM-CNN）将预测 399bp 序列中的 PRF 位点。然后，集成权重结合两个模型进行最终预测。
|
||
|
||
对于从 BLASTX 输出检测 PRF，[FScanR](https://github.com/seanchen607/FScanR.git) 从 BLASTX 比对结果中识别潜在的 PRF 位点，获取同一查询序列的两个命中，然后利用 frameDist_cutoff、mismatch_cutoff 和 evalue_cutoff 过滤命中。最后，使用 FScanpy 预测 PRF 位点的概率。
|
||
|
||
### 背景
|
||
[核糖体移码](https://en.wikipedia.org/wiki/Ribosomal_frameshift)，也称为翻译移码或翻译重编码，是翻译过程中发生的一种生物现象，导致从单个 mRNA 产生多个独特的蛋白质。该过程可由 mRNA 的核苷酸序列程序化，有时受二级、三维 mRNA 结构影响。它主要在病毒（特别是逆转录病毒）、逆转录转座子和细菌插入元件中被描述，也在一些细胞基因中存在。
|
||
|
||
### FScanpy 的主要特性包括：
|
||
|
||
- 两个预测模型的集成：
|
||
- 短模型（HistGradientBoosting）：分析以潜在移码位点为中心的局部序列特征（33bp）。
|
||
- 长模型（BiLSTM-CNN）：分析更广泛的序列特征（399bp）。
|
||
- 支持跨多种物种的 PRF 预测。
|
||
- 可与 [FScanR](https://github.com/seanchen607/FScanR.git) 结合以提高准确性。
|
||
|
||
## 安装 (python>=3.7)
|
||
|
||
### 1. 使用 pip
|
||
```bash
|
||
pip install FScanpy
|
||
```
|
||
|
||
### 2. 从 GitHub 克隆
|
||
```bash
|
||
git clone https://github.com/.../FScanpy.git
|
||
cd FScanpy
|
||
pip install -e .
|
||
```
|
||
|
||
## 完整函数参考
|
||
|
||
### 1. 核心预测函数
|
||
|
||
#### 1.1 `predict_prf()` - 主要预测接口
|
||
|
||
**函数签名：**
|
||
```python
|
||
def predict_prf(
|
||
sequence: Union[str, List[str], None] = None,
|
||
data: Union[pd.DataFrame, None] = None,
|
||
window_size: int = 3,
|
||
short_threshold: float = 0.1,
|
||
ensemble_weight: float = 0.4,
|
||
model_dir: str = None
|
||
) -> pd.DataFrame
|
||
```
|
||
|
||
**参数：**
|
||
- `sequence`：用于滑动窗口预测的单个或多个 DNA 序列
|
||
- `data`：DataFrame 数据，必须包含 'Long_Sequence' 或 '399bp' 列用于区域预测
|
||
- `window_size`：滑动窗口大小（默认：3，推荐：1-10）
|
||
- `short_threshold`：短模型（HistGB）概率阈值（默认：0.1，范围：0.0-1.0）
|
||
- `ensemble_weight`：短模型在集成中的权重（默认：0.4，范围：0.0-1.0）
|
||
- `model_dir`：模型目录路径（可选，如果为 None 则使用内置模型）
|
||
|
||
**返回值：**
|
||
- `pd.DataFrame`：预测结果，包含以下列：
|
||
- `Short_Probability`：短模型预测概率
|
||
- `Long_Probability`：长模型预测概率
|
||
- `Ensemble_Probability`：集成预测概率（主要结果）
|
||
- `Position`：序列中的位置（滑动窗口模式）
|
||
- `Codon`：位置处的密码子（滑动窗口模式）
|
||
- `Ensemble_Weights`：权重配置信息
|
||
|
||
**使用示例：**
|
||
|
||
```python
|
||
from FScanpy import predict_prf
|
||
|
||
# 1. 单序列滑动窗口预测
|
||
sequence = "ATGCGTACGTATGCGTACGTATGCGTACGT"
|
||
results = predict_prf(sequence=sequence)
|
||
|
||
# 2. 多序列预测
|
||
sequences = ["ATGCGTACGT...", "GCTATAGCAT..."]
|
||
results = predict_prf(sequence=sequences)
|
||
|
||
# 3. 自定义参数
|
||
results = predict_prf(
|
||
sequence=sequence,
|
||
window_size=1, # 扫描每个位置
|
||
short_threshold=0.2, # 更高阈值
|
||
ensemble_weight=0.3 # 3:7 比例（短:长）
|
||
)
|
||
|
||
# 4. DataFrame 区域预测
|
||
import pandas as pd
|
||
data = pd.DataFrame({
|
||
'Long_Sequence': ['ATGCGT...', 'GCTATAG...'], # 或使用 '399bp'
|
||
'sample_id': ['sample1', 'sample2']
|
||
})
|
||
results = predict_prf(data=data)
|
||
```
|
||
|
||
#### 1.2 `plot_prf_prediction()` - 带可视化的预测
|
||
|
||
**函数签名：**
|
||
```python
|
||
def plot_prf_prediction(
|
||
sequence: str,
|
||
window_size: int = 3,
|
||
short_threshold: float = 0.65,
|
||
long_threshold: float = 0.8,
|
||
ensemble_weight: float = 0.4,
|
||
title: str = None,
|
||
save_path: str = None,
|
||
figsize: tuple = (12, 8),
|
||
dpi: int = 300,
|
||
model_dir: str = None
|
||
) -> tuple
|
||
```
|
||
|
||
**参数：**
|
||
- `sequence`：输入 DNA 序列（字符串）
|
||
- `window_size`：滑动窗口大小（默认：3）
|
||
- `short_threshold`：热图显示的短模型过滤阈值（默认：0.65）
|
||
- `long_threshold`：热图显示的长模型过滤阈值（默认：0.8）
|
||
- `ensemble_weight`：集成中短模型的权重（默认：0.4）
|
||
- `title`：图表标题（可选，如果为 None 则自动生成）
|
||
- `save_path`：保存路径（可选，如果提供则保存图表）
|
||
- `figsize`：图形大小元组（默认：(12, 8)）
|
||
- `dpi`：图形分辨率（默认：300）
|
||
- `model_dir`：模型目录路径（可选）
|
||
|
||
**返回值：**
|
||
- `tuple`：(prediction_results: pd.DataFrame, figure: matplotlib.figure.Figure)
|
||
|
||
**使用示例：**
|
||
|
||
```python
|
||
from FScanpy import plot_prf_prediction
|
||
import matplotlib.pyplot as plt
|
||
|
||
# 1. 基本绘图
|
||
sequence = "ATGCGTACGTATGCGTACGTATGCGTACGT"
|
||
results, fig = plot_prf_prediction(sequence)
|
||
plt.show()
|
||
|
||
# 2. 自定义阈值和权重
|
||
results, fig = plot_prf_prediction(
|
||
sequence,
|
||
short_threshold=0.7, # 更高显示阈值
|
||
long_threshold=0.85, # 更高显示阈值
|
||
ensemble_weight=0.3, # 3:7 权重比例
|
||
title="自定义分析结果",
|
||
save_path="analysis.png",
|
||
figsize=(15, 10),
|
||
dpi=150
|
||
)
|
||
|
||
# 3. 高分辨率分析
|
||
results, fig = plot_prf_prediction(
|
||
sequence,
|
||
window_size=1, # 扫描每个位置
|
||
ensemble_weight=0.5, # 等权重
|
||
dpi=600 # 高分辨率
|
||
)
|
||
```
|
||
|
||
### 2. PRFPredictor 类方法
|
||
|
||
#### 2.1 类初始化
|
||
|
||
```python
|
||
from FScanpy import PRFPredictor
|
||
|
||
# 使用默认模型初始化
|
||
predictor = PRFPredictor()
|
||
|
||
# 使用自定义模型目录初始化
|
||
predictor = PRFPredictor(model_dir='/path/to/models')
|
||
```
|
||
|
||
#### 2.2 `predict_sequence()` - 滑动窗口预测
|
||
|
||
**方法签名：**
|
||
```python
|
||
def predict_sequence(self, sequence, window_size=3, short_threshold=0.1, ensemble_weight=0.4)
|
||
```
|
||
|
||
**参数：**
|
||
- `sequence`：输入 DNA 序列
|
||
- `window_size`：滑动窗口大小（默认：3）
|
||
- `short_threshold`：短模型概率阈值（默认：0.1）
|
||
- `ensemble_weight`：集成中短模型权重（默认：0.4）
|
||
|
||
**用法：**
|
||
```python
|
||
predictor = PRFPredictor()
|
||
results = predictor.predict_sequence(
|
||
sequence="ATGCGTACGT...",
|
||
window_size=1,
|
||
short_threshold=0.15,
|
||
ensemble_weight=0.35
|
||
)
|
||
```
|
||
|
||
#### 2.3 `predict_regions()` - 基于区域的预测
|
||
|
||
**方法签名：**
|
||
```python
|
||
def predict_regions(self, sequences, short_threshold=0.1, ensemble_weight=0.4)
|
||
```
|
||
|
||
**参数：**
|
||
- `sequences`：399bp 序列的列表或 Series
|
||
- `short_threshold`：短模型概率阈值（默认：0.1）
|
||
- `ensemble_weight`：集成中短模型权重（默认：0.4）
|
||
|
||
**用法：**
|
||
```python
|
||
predictor = PRFPredictor()
|
||
sequences = ["ATGCGT...", "GCTATAG..."] # 399bp 序列
|
||
results = predictor.predict_regions(
|
||
sequences=sequences,
|
||
short_threshold=0.1,
|
||
ensemble_weight=0.4
|
||
)
|
||
```
|
||
|
||
#### 2.4 `predict_single_position()` - 单位置预测
|
||
|
||
**方法签名：**
|
||
```python
|
||
def predict_single_position(self, fs_period, full_seq, short_threshold=0.1, ensemble_weight=0.4)
|
||
```
|
||
|
||
**参数：**
|
||
- `fs_period`：移码位点周围的 33bp 序列
|
||
- `full_seq`：长模型使用的 399bp 序列
|
||
- `short_threshold`：短模型概率阈值（默认：0.1）
|
||
- `ensemble_weight`：集成中短模型权重（默认：0.4）
|
||
|
||
**用法：**
|
||
```python
|
||
predictor = PRFPredictor()
|
||
result = predictor.predict_single_position(
|
||
fs_period="ATGCGTACGTATGCGTACGTATGCGTACGTA", # 33bp
|
||
full_seq="ATGCGT..." * 133, # 399bp
|
||
short_threshold=0.1,
|
||
ensemble_weight=0.4
|
||
)
|
||
```
|
||
|
||
#### 2.5 `plot_sequence_prediction()` - 类方法绘图
|
||
|
||
**方法签名：**
|
||
```python
|
||
def plot_sequence_prediction(self, sequence, window_size=3, short_threshold=0.65,
|
||
long_threshold=0.8, ensemble_weight=0.4, title=None,
|
||
save_path=None, figsize=(12, 8), dpi=300)
|
||
```
|
||
|
||
**用法：**
|
||
```python
|
||
predictor = PRFPredictor()
|
||
results, fig = predictor.plot_sequence_prediction(
|
||
sequence="ATGCGTACGT...",
|
||
window_size=3,
|
||
ensemble_weight=0.4
|
||
)
|
||
```
|
||
|
||
### 3. 实用函数
|
||
|
||
#### 3.1 `fscanr()` - 从 BLASTX 检测 PRF 位点
|
||
|
||
**函数签名：**
|
||
```python
|
||
def fscanr(
|
||
blastx_output: pd.DataFrame,
|
||
mismatch_cutoff: float = 10,
|
||
evalue_cutoff: float = 1e-5,
|
||
frameDist_cutoff: float = 10
|
||
) -> pd.DataFrame
|
||
```
|
||
|
||
**参数：**
|
||
- `blastx_output`：包含必需列的 BLASTX 输出 DataFrame：
|
||
- `qseqid`, `sseqid`, `pident`, `length`, `mismatch`, `gapopen`
|
||
- `qstart`, `qend`, `sstart`, `send`, `evalue`, `bitscore`, `qframe`, `sframe`
|
||
- `mismatch_cutoff`：最大允许错配数（默认：10）
|
||
- `evalue_cutoff`：E 值阈值（默认：1e-5）
|
||
- `frameDist_cutoff`：框架距离阈值（默认：10）
|
||
|
||
**返回值：**
|
||
- `pd.DataFrame`：包含以下列的 PRF 位点：
|
||
- `DNA_seqid`：序列标识符
|
||
- `FS_start`, `FS_end`：移码开始和结束位置
|
||
- `Pep_seqid`：肽序列标识符
|
||
- `Pep_FS_start`, `Pep_FS_end`：肽移码位置
|
||
- `FS_type`：移码类型（-2, -1, 1, 2）
|
||
- `Strand`：链方向（+, -）
|
||
|
||
**用法：**
|
||
```python
|
||
from FScanpy.utils import fscanr
|
||
import pandas as pd
|
||
|
||
# 加载 BLASTX 结果
|
||
blastx_data = pd.read_excel('blastx_results.xlsx')
|
||
|
||
# 检测 PRF 位点
|
||
prf_sites = fscanr(
|
||
blastx_output=blastx_data,
|
||
mismatch_cutoff=5, # 更严格的错配过滤
|
||
evalue_cutoff=1e-6, # 更严格的 E 值过滤
|
||
frameDist_cutoff=15 # 允许更大的框架距离
|
||
)
|
||
```
|
||
|
||
#### 3.2 `extract_prf_regions()` - 提取 PRF 位点周围的序列
|
||
|
||
**函数签名：**
|
||
```python
|
||
def extract_prf_regions(mrna_file: str, prf_data: pd.DataFrame) -> pd.DataFrame
|
||
```
|
||
|
||
**参数：**
|
||
- `mrna_file`：mRNA 序列文件路径（FASTA 格式）
|
||
- `prf_data`：来自 `fscanr()` 输出的 DataFrame
|
||
|
||
**返回值：**
|
||
- `pd.DataFrame`：提取的序列，包含以下列：
|
||
- `DNA_seqid`：序列标识符
|
||
- `FS_start`, `FS_end`：移码位置
|
||
- `Strand`：链方向
|
||
- `399bp`：提取的 399bp 序列
|
||
- `FS_type`：移码类型
|
||
|
||
**用法：**
|
||
```python
|
||
from FScanpy.utils import extract_prf_regions
|
||
|
||
# 提取 PRF 位点周围的序列
|
||
prf_sequences = extract_prf_regions(
|
||
mrna_file='sequences.fasta',
|
||
prf_data=prf_sites
|
||
)
|
||
|
||
# 预测 PRF 概率
|
||
predictor = PRFPredictor()
|
||
results = predictor.predict_regions(prf_sequences['399bp'])
|
||
```
|
||
|
||
### 4. 数据访问函数
|
||
|
||
#### 4.1 测试数据访问
|
||
|
||
```python
|
||
from FScanpy.data import get_test_data_path, list_test_data
|
||
|
||
# 列出可用的测试数据
|
||
list_test_data()
|
||
|
||
# 获取测试数据路径
|
||
blastx_file = get_test_data_path('blastx_example.xlsx')
|
||
mrna_file = get_test_data_path('mrna_example.fasta')
|
||
region_file = get_test_data_path('region_example.csv')
|
||
seq_file = get_test_data_path('full_seq.xlsx')
|
||
```
|
||
|
||
## 完整工作流程示例
|
||
|
||
### 工作流程 1：完整序列分析
|
||
|
||
```python
|
||
from FScanpy import predict_prf, plot_prf_prediction
|
||
import matplotlib.pyplot as plt
|
||
|
||
# 定义序列
|
||
full_seq = pd.read.excel(seq_file)
|
||
|
||
# 方法 1：简单预测
|
||
results = predict_prf(sequence=full_seq[0]['full_seq'])
|
||
print(f"发现 {len(results)} 个潜在位点")
|
||
|
||
# 方法 2：带可视化的预测
|
||
results, fig = plot_prf_prediction(
|
||
sequence=full_seq[0]['full_seq'],
|
||
window_size=1, # 扫描每个位置
|
||
short_threshold=0.3, # 显示概率 > 0.3 的位点
|
||
long_threshold=0.4, # 显示概率 > 0.4 的位点
|
||
ensemble_weight=0.4, # 4:6 权重比例
|
||
title="PRF 分析结果",
|
||
save_path="prf_analysis.png"
|
||
)
|
||
plt.show()
|
||
|
||
# 分析顶级预测
|
||
top_sites = results.nlargest(5, 'Ensemble_Probability')
|
||
print("前 5 个预测位点：")
|
||
for _, site in top_sites.iterrows():
|
||
print(f"位置 {site['Position']}: {site['Ensemble_Probability']:.3f}")
|
||
```
|
||
|
||
### 工作流程 2：基于区域的预测
|
||
|
||
```python
|
||
from FScanpy import predict_prf
|
||
import pandas as pd
|
||
|
||
# 准备区域数据
|
||
region_data = pd.DataFrame({
|
||
'sample_id': ['sample1', 'sample2', 'sample3'],
|
||
'Long_Sequence': [
|
||
'ATGCGT...', # 399bp 序列 1
|
||
'GCTATAG...', # 399bp 序列 2
|
||
'TTACGGA...' # 399bp 序列 3
|
||
],
|
||
'known_label': [1, 0, 1] # 可选：用于验证的已知标签
|
||
})
|
||
|
||
# 预测 PRF 概率
|
||
results = predict_prf(
|
||
data=region_data,
|
||
ensemble_weight=0.3 # 偏向长模型（3:7 比例）
|
||
)
|
||
|
||
# 评估结果
|
||
if 'known_label' in results.columns:
|
||
threshold = 0.5
|
||
predictions = (results['Ensemble_Probability'] > threshold).astype(int)
|
||
accuracy = (predictions == results['known_label']).mean()
|
||
print(f"阈值 {threshold} 下的准确率：{accuracy:.3f}")
|
||
```
|
||
|
||
### 工作流程 3：基于 BLASTX 的分析流程
|
||
|
||
```python
|
||
from FScanpy import PRFPredictor, predict_prf
|
||
from FScanpy.data import get_test_data_path
|
||
from FScanpy.utils import fscanr, extract_prf_regions
|
||
import pandas as pd
|
||
|
||
# 步骤 1：加载 BLASTX 数据
|
||
blastx_data = pd.read_excel(get_test_data_path('blastx_example.xlsx'))
|
||
print(f"加载了 {len(blastx_data)} 个 BLASTX 命中")
|
||
|
||
# 步骤 2：使用 FScanR 检测 PRF 位点
|
||
prf_sites = fscanr(
|
||
blastx_output=blastx_data,
|
||
mismatch_cutoff=10,
|
||
evalue_cutoff=1e-5,
|
||
frameDist_cutoff=10
|
||
)
|
||
print(f"检测到 {len(prf_sites)} 个潜在 PRF 位点")
|
||
|
||
# 步骤 3：提取 PRF 位点周围的序列
|
||
mrna_file = get_test_data_path('mrna_example.fasta')
|
||
prf_sequences = extract_prf_regions(
|
||
mrna_file=mrna_file,
|
||
prf_data=prf_sites
|
||
)
|
||
print(f"提取了 {len(prf_sequences)} 个序列")
|
||
|
||
# 步骤 4：预测 PRF 概率
|
||
predictor = PRFPredictor()
|
||
results = predictor.predict_regions(
|
||
sequences=prf_sequences['399bp'],
|
||
ensemble_weight=0.4
|
||
)
|
||
|
||
# 步骤 5：将结果与元数据结合
|
||
final_results = pd.concat([
|
||
prf_sequences.reset_index(drop=True),
|
||
results.reset_index(drop=True)
|
||
], axis=1)
|
||
|
||
# 步骤 6：分析结果
|
||
high_prob_sites = final_results[
|
||
final_results['Ensemble_Probability'] > 0.7
|
||
]
|
||
print(f"高概率 PRF 位点：{len(high_prob_sites)}")
|
||
|
||
# 显示顶级结果
|
||
print("\n顶级 PRF 预测：")
|
||
top_results = final_results.nlargest(3, 'Ensemble_Probability')
|
||
for _, row in top_results.iterrows():
|
||
print(f"序列 {row['DNA_seqid']}: {row['Ensemble_Probability']:.3f}")
|
||
```
|
||
|
||
### 工作流程 4：多序列自定义分析
|
||
|
||
```python
|
||
from FScanpy import predict_prf, plot_prf_prediction
|
||
import matplotlib.pyplot as plt
|
||
|
||
# 多序列分析
|
||
sequences = [
|
||
"ATGCGTACGTATGCGTACGTATGCGTACGTAAGCCCTTTGAACCCAAAGGG",
|
||
"GCTATAGCATGCTATAGCATGCTATAGCATGCTATAGCATGCTATAGCAT",
|
||
"TTACGGATTACGGATTACGGATTACGGATTACGGATTACGGATTACGGAT"
|
||
]
|
||
|
||
# 批量预测
|
||
results = predict_prf(
|
||
sequence=sequences,
|
||
window_size=2,
|
||
ensemble_weight=0.5 # 等权重
|
||
)
|
||
|
||
# 按序列分析
|
||
for seq_id in results['Sequence_ID'].unique():
|
||
seq_results = results[results['Sequence_ID'] == seq_id]
|
||
max_prob = seq_results['Ensemble_Probability'].max()
|
||
print(f"{seq_id}: 最大概率 = {max_prob:.3f}")
|
||
|
||
# 可视化第一个序列
|
||
first_seq_results, fig = plot_prf_prediction(
|
||
sequence=sequences[0],
|
||
ensemble_weight=0.5,
|
||
title="第一个序列分析"
|
||
)
|
||
plt.show()
|
||
```
|
||
|
||
## 参数优化指南
|
||
|
||
### 1. 集成权重配置详解
|
||
|
||
#### 1.1 模型互补优势原理
|
||
|
||
FScanpy 集成了两个具有互补优势的机器学习模型：
|
||
|
||
- **HistGB 模型（短模型）**：
|
||
- 擅长识别真阴性样本（正确排除非 PRF 位点）
|
||
- 基于 33bp 局部序列特征
|
||
- 预测更保守，假阳性率较低
|
||
- 适合高特异性要求的场景
|
||
|
||
- **BiLSTM-CNN 模型（长模型）**：
|
||
- 擅长识别真阳性样本（正确识别 PRF 位点）
|
||
- 基于 399bp 长距离序列特征
|
||
- 预测更敏感，能捕获更多潜在位点
|
||
- 适合高敏感性要求的场景
|
||
|
||
#### 1.2 最优权重比例（4:6）
|
||
|
||
通过大量测试分析，我们确定了最优权重分布为 HistGB:BiLSTM-CNN = 4:6（`ensemble_weight = 0.4`）：
|
||
|
||
- **最高 AUC 性能**：在测试集上达到最佳的曲线下面积
|
||
- **平衡预测性能**：在敏感性和特异性之间取得最佳平衡
|
||
- **降低极端错误**：减少 BiLSTM-CNN 模型的过度预测风险
|
||
- **避免保守偏向**：防止 HistGB 模型过于保守导致的模糊性
|
||
|
||
#### 1.3 权重选择策略
|
||
|
||
根据研究目标选择合适的权重配置：
|
||
|
||
**高通量筛选场景（偏向敏感性）**：
|
||
- **权重配置**：`ensemble_weight = 0.6-0.8`
|
||
- **适用场景**：初步筛选、候选位点发现、探索性研究
|
||
- **优势**：筛选更多候选位点，降低漏检风险
|
||
- **权衡**：可能产生更多假阳性，需要后续验证
|
||
|
||
```python
|
||
# 高敏感性配置示例
|
||
results = predict_prf(
|
||
sequence=sequence,
|
||
ensemble_weight=0.7, # 偏向 BiLSTM-CNN
|
||
short_threshold=0.05 # 降低短模型阈值
|
||
)
|
||
```
|
||
|
||
**精确验证场景（偏向特异性）**：
|
||
- **权重配置**：`ensemble_weight = 0.2-0.3`
|
||
- **适用场景**：候选验证、临床应用、高置信度预测
|
||
- **优势**：减少假阳性，提高预测可靠性
|
||
- **权衡**：可能遗漏部分真阳性位点
|
||
|
||
```python
|
||
# 高特异性配置示例
|
||
results = predict_prf(
|
||
sequence=sequence,
|
||
ensemble_weight=0.25, # 偏向 HistGB
|
||
short_threshold=0.2 # 提高短模型阈值
|
||
)
|
||
```
|
||
|
||
**平衡分析场景（推荐默认）**：
|
||
- **权重配置**：`ensemble_weight = 0.4-0.6`
|
||
- **适用场景**：常规分析、综合评估、标准研究
|
||
- **优势**：在敏感性和特异性间取得最佳平衡
|
||
- **推荐**：大多数研究场景的首选配置
|
||
|
||
```python
|
||
# 平衡配置示例
|
||
results = predict_prf(
|
||
sequence=sequence,
|
||
ensemble_weight=0.4, # 最优平衡比例
|
||
short_threshold=0.1 # 标准阈值
|
||
)
|
||
```
|
||
|
||
|
||
### 2. 阈值选择
|
||
|
||
- **短阈值**：通常 0.1-0.3，控制计算效率
|
||
- **显示阈值**：0.3-0.8，控制可视化显示
|
||
- **分类阈值**：0.5（标准），根据验证数据调整
|
||
|
||
### 3. 窗口大小选择
|
||
|
||
- **精细分析**：`window_size = 1`（每个位置）
|
||
- **标准分析**：`window_size = 3`（每第 3 个位置，默认）
|
||
- **粗略分析**：`window_size = 6-9`（更快，细节较少）
|
||
|
||
## 故障排除
|
||
|
||
### 常见问题和解决方案
|
||
|
||
1. **模型加载错误**
|
||
```python
|
||
# 检查模型目录
|
||
import FScanpy
|
||
predictor = PRFPredictor(model_dir='/custom/path')
|
||
```
|
||
|
||
2. **大序列内存问题**
|
||
```python
|
||
# 使用更大的窗口大小减少计算负载
|
||
results = predict_prf(sequence=large_seq, window_size=9)
|
||
```
|
||
|
||
3. **可视化问题**
|
||
```python
|
||
# 调整图形参数
|
||
results, fig = plot_prf_prediction(
|
||
sequence=seq,
|
||
figsize=(20, 10), # 更大的图形
|
||
dpi=150 # 更低的分辨率
|
||
)
|
||
```
|
||
|
||
4. **输入格式问题**
|
||
```python
|
||
# 确保正确的 DataFrame 格式
|
||
data = pd.DataFrame({
|
||
'Long_Sequence': sequences, # 使用 'Long_Sequence' 或 '399bp'
|
||
'sample_id': ids
|
||
})
|
||
```
|
||
|
||
## 性能优化
|
||
|
||
### 1. 批处理
|
||
```python
|
||
# 高效处理多个序列
|
||
sequences = ["seq1", "seq2", "seq3", ...]
|
||
results = predict_prf(sequence=sequences, window_size=3)
|
||
```
|
||
|
||
### 2. 阈值优化
|
||
```python
|
||
# 使用适当的 short_threshold 跳过不必要的长模型调用
|
||
results = predict_prf(
|
||
sequence=sequence,
|
||
short_threshold=0.2 # 更高阈值 = 更快处理
|
||
)
|
||
```
|
||
|
||
### 3. 内存管理
|
||
```python
|
||
# 对于非常大的数据集，分块处理
|
||
chunk_size = 100
|
||
for i in range(0, len(large_dataset), chunk_size):
|
||
chunk = large_dataset[i:i+chunk_size]
|
||
chunk_results = predict_prf(data=chunk)
|
||
# 处理 chunk_results
|
||
```
|
||
|
||
## 引用
|
||
如果您使用 FScanpy，请引用我们的论文：[论文链接]
|