写在前面
最近在处理百万级别的单细胞数据，由于默认的CPU跑地太慢了，转头去折腾rapid_singlecell，但发现，这包是真难装。于是，我就打算在OmicVerse里用Pytorch重写单细胞预处理的部分函数。如果有现成的就直接调用，例如torchdr就可以进行PCA的GPU加速。
此外，作为大版本更新，从1.6->1.7，也意味着功能种类的突破。新增了传统转录组分析的limma，edgeR的Python实现，空间转录组学算法如空间梯度GASTON，空间通讯COMMOT[GPU加速]+flowsig，空间聚类算法BINARY，CAST的一键批量调用和评估。
值得一提的是，多种模型的扰动预测，懒人函数lazy一键完成注释前所有预处理，并生成报告。这些功能在新版本都有所体现。由于功能较多，因此特意撰写一篇推文来向大家引路。
Steorra
0. 更简单的安装方法
考虑到不同人的计算机能力，因此在OmicVerse新版本中，我们提供了中文安装教程，以及懒人版自动检测安装命令：
- 中文安装教程：https://omicverse.readthedocs.io/en/latest/Installation_guide_zh/
- 懒人版自动检测安装命令：
- #仅适用于Linux
- curl -sSL https://raw.githubusercontent.com/Starlitnightly/omicverse/refs/heads/master/install.sh | bash -s
如果你在国内，那么可以换一个源可能会更快一些- #仅适用于Linux(国内加速)
- curl -sSL https://starlit.oss-cn-beijing.aliyuncs.com/single/install.sh | bash -s
在OmicVerse 1.7以后的版本中，我们提供了一个很有趣的模式：GPU-CPU混合处理模式ov.settings.cpu_gpu_mixed_init()。在该模式下，对CPU计算耗时高的方法，将会采用GPU进行计算，极大降低了等待时间。并且，不需要安装rapid_singlecell这个相当难装的包。具体来说：
- scrublet: 这是传统的双细胞过滤算法，但是在运行该算法的时候，我们需要在整个矩阵上计算PCA，传统的scanpy采用sklearn库调用PCA，我们在新版OmicVerse中，使用torchdr库来调用PCA，在大型数据上，运算时间缩短将近100倍
- pca,tsne: 我们使用torchdr库来调用PCA和TSNE，在大型数据上，运算时间缩短将近100倍。
- umap: 我们经过对比研究发现，torchdr的UMAP并不能很好地保留细胞的流形。因此，我们优化了pymde的neighbors，我们使用scanpy计算的neighbors作为输入，使得我们可以实现GPU加速的umap可视化。同时，我们也可以使用ov.pp.mde直接计算neighbors。
CPU-GPU混合预处理的教程在，如果你希望有更多的方法也进行GPU加速，欢迎在Github上提issue：https://omicverse.readthedocs.io/en/latest/Tutorials-single/t_preprocess_cpu/
2. 传统转录组学的Python全分析
在2024年初，Bioinformatics上发表了pyDEseq2和pyWGCNA两个算法，在2025年，inmoose包也包括了limma，edgepy两个算法。自此，传统转录组分析可以完全在Python上进行了。我们很高兴地告诉大家，现在这些方法都可以在OmicVerse里通过一个函数进行直接调用。- dds=ov.bulk.pyDEG(data)
- dds.drop_duplicates_index()
- dds.normalize()
- #最传统的ttest检验p值
- result_ttest=dds.deg_analysis(treatment_groups,control_groups,method='ttest')
- #使用edgepy
- result_edgepy=dds.deg_analysis(treatment_groups,control_groups,method='edgepy')
- #使用limma
- result_limma=dds.deg_analysis(treatment_groups,control_groups,method='limma')
- #使用DEseq2
- result=dds.deg_analysis(treatment_groups,control_groups,method='DEseq2')
- 在标准化后的数据上的差异表达分析：https://omicverse.readthedocs.io/en/latest/Tutorials-bulk/t_deg/
- 在原始数据上的差异表达分析：https://omicverse.readthedocs.io/en/latest/Tutorials-bulk/t_deseq2/
当然，你也可以在OmicVerse中调用pycombat或者是ERgene去除数据的批次效应。
3. 最前沿的空间转录组学算法的一键调用
由于我本人最近在开发一系列的空转算法，并且做很多跟空转相关的数据分析。因此，为了保证论文的新颖性，我在分析的时候采用的都是最前沿的算法，不过由于每个作者的代码风格不同，不同的算法之间的依赖冲突严重等问题，所以我在OmicVerse新版本的更新中，将我认为比较有趣的空转算法，都纳入了space模块中方便调用。
- 10x的空间转录组学数据裁剪和旋转：这是一个很有趣的事情，目前的包大都没有这个实用的功能，于是我们在OmicVerse中实现了这件事。但其实这个函数很早就有了，只是最近才把教程写出来：https://omicverse.readthedocs.io/en/latest/Tutorials-space/t_crop_rotate/
- 空间通讯分析commot与flowsig: 我用过很多空间通讯分析的算法，例如今年新发的NicheCompass，但这些算法，或多或少在运行中会出现各种意想不到的bug，除此之外，最后的可视化效果，也并不一定是分析所需要的。但是commot与flowsig不同，第一个算法，可以看到信号的流向，第二个算法，可以揭示信号背后的调控基因。并且在新版本的更新中，我对commot进行了GPU加速优化，将原来几个小时的分析，缩短到了几分钟，同时添加了更多的进度条以便观察分析进度。
- 空间通讯分析commot与flowsig教程：https://omicverse.readthedocs.io/en/latest/Tutorials-space/t_commot_flowsig/
- 空间梯度算法GASTON：这是一个我很喜欢的新算法，落脚于单切片，画出来的图很像山峦图，爬山一样的更高线，可以看见基因变化的趋势，于是在OmicVerse的新版本中，也被引入了进来
- 空间梯度算法GASTON教程：https://omicverse.readthedocs.io/en/latest/Tutorials-space/t_gaston/
4. 单细胞分析报告一键生成
我觉得人大部分时候都是懒的，单细胞分析的预处理是很繁琐且无聊的事情，在OmicVerse未来的开发中，我们将会逐步引入agent，逐步将分析变成全自动的过程。在1.7.0的版本中，我们已经可以实现数据预处理的全自动化，预期在下一个版本，会实现细胞注释的自动化。
教程地址：https://omicverse.readthedocs.io/en/latest/Tutorials-single/t_lazy/
- 我们提供了一个函数omicverse.single.lazy，该函数可以自动预处理单细胞数据，其中自动处理的参数可调
- 我们提供了一个分析报告生成函数omicverse.single.generate_scRNA_report，该函数类似MultiQC，可以可视化我们的预处理分析结果。
- 除此之外，对于在omicverse中调用的所有分析，注意是所有，我们现在都可以通过ov.generate_reference_table来生成参考文献以及doi
该报告目前仅能展示基础预处理，也就是直到注释前的所有步骤。并且物种暂时只支持human和mouse，在未来我们会添加更多自动化的分析功能进入。如果有更多建议也欢迎在Github上提交issue：https://github.com/Starlitnightly/omicverse/issues
5. 写在最后
今天距离OmicVerse被Nature Communication接收刚好一周年，感谢大家这一年的陪伴与使用，希望OmicVerse在未来，能撑起国产分析单细胞/空间转录组学的一片天，让人人都能上手单细胞多组学分析！最后，我们创建了一个交流群，欢迎大家有什么提问在群里进行。
群可以在Github的Issue上找到：https://github.com/Starlitnightly/omicverse/issues/294
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！ |
提升卡
置顶卡
沉默卡
喧嚣卡
变色卡
千斤顶
照妖镜
