Remetinostat

兰卫课堂 单细胞转录组分析中的痛点：海量数据、高维特征、复杂关系。传统统计方法往往难以应对这种"数据泥潭"。这恰恰是Lasso和Ridge回归大展身手的舞台！二者究竟有什么不同呢？ 其实二者都是基于线性回归的改进方法。最大的不同在于：Lasso回归主要适用于特征选择，即当特征数量很多，但只有少数特征真正重要时，将这些少数特征选出来，更容易解释模型； Ridge回归则不会排除任何特征，而是会保留所有特征的系数，默认所有的特征都可能对模型预测有用（虽然贡献大小不同）。 因此，如果你的研究目标是寻找最关键的基因标记，Lasso无疑是你的最佳伴侣。它能帮你在海量基因中找到真正的"关键少数"。反之，如果你更看重整体特征的平衡性，Ridge回归会是更好的选择。 下面，用单细胞转录组分析的场景来解释Lasso和Ridge回归的区别。 首先，我们用代码创建一个模拟的单细胞数据分析示例： # -*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltimport matplotlib.font_manager as fmfrom sklearn.linear_model import Lasso, Ridgefrom sklearn.preprocessing import StandardScalerfrom sklearn.model_selection import train_test_split# 配置中文字体plt.rcParams['font.family'] = 'sans-serif'plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei']plt.rcParams['axes.unicode_minus'] = False# 模拟单细胞测序数据np.random.seed(42)def generate_scRNA_data(n_cells=1000, n_genes=200): # 模拟一些真实的生物学关系 # 假设有一些关键的调控基因及其共表达网络 # 生成一些核心调控基因的表达水平 core_regulators = np.random.exponential(2, size=(n_cells, 5)) # 为这些核心调控基因生成靶基因 target_genes = np.zeros((n_cells, n_genes)) # 添加一些生物学关系 # 前50个基因强烈依赖于第一个核心调控基因 target_genes[:, :50] = np.outer(core_regulators[:, 0], np.random.normal(1, 0.1, 50)) # 接下来的 50 个基因取决于多个调控基因的组合 target_genes[:, 50:100] = np.dot(core_regulators[:, 1:3], np.random.normal(1, 0.1, (2, 50))) # 剩下的基因是随机噪声或者弱表达 target_genes[:, 100:] = np.random.normal(0, 0.1, (n_cells, n_genes - 100)) # 添加技术噪音 technical_noise = np.random.normal(0, 0.05, (n_cells, n_genes)) target_genes += technical_noise # 确认所有表达值非负 target_genes = np.maximum(target_genes, 0) return core_regulators, target_genes# 生成数据core_regulators, target_genes = generate_scRNA_data()# 选择一个靶基因作为响应变量（假定它是一个重要的marker基因）y = target_genes[:, 0] # 使用第一个目标基因作为响应变量X = target_genes[:, 1:] # 所有其他基因作为特征# 标准化数据scaler = StandardScaler()X_scaled = scaler.fit_transform(X)# 划分为训练集和测试集X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)# 训练Lasso 模型lasso = Lasso(alpha=0.1,max_iter=10000, tol=1e-4)lasso.fit(X_train, y_train)# 训练Ridge模型ridge = Ridge(alpha=0.1,max_iter=10000, tol=1e-4)ridge.fit(X_train, y_train)# 展示分析结果def analyze_results(lasso_model, ridge_model, feature_names=None): if feature_names is None: feature_names = [f"Gene_{i}" for i in range(X.shape[1])] # 得到非零系数 lasso_nonzero = np.nonzero(lasso_model.coef_)[0] ridge_nonzero = np.nonzero(ridge_model.coef_)[0] print("模型比较结果:") print("-" * 50) print(f"Lasso 识别的基因数量: {len(lasso_nonzero)}") print(f"Ridge 保留的基因数量: {len(ridge_nonzero)}") # 绘图比较系数 plt.figure(figsize=(15, 6)) # 仅显示前 50 个基因的系数以进行可视化 n_display = 50 plt.subplot(1, 2, 1) plt.bar(range(n_display), lasso_model.coef_[:n_display]) plt.title('Lasso回归系数\n(稀疏基因选择)') plt.xlabel('基因') plt.ylabel('系数值') plt.subplot(1, 2, 2) plt.bar(range(n_display), ridge_model.coef_[:n_display]) plt.title('Ridge回归系数\n(平滑基因权重)') plt.xlabel('基因') plt.ylabel('系数值') plt.tight_layout() plt.show() plt.savefig('scRNA_regression_comparison.png') # 打印模型得分 print("\n模型性能:") print(f"Lasso测试集 R2 分数: {lasso_model.score(X_test, y_test):.4f}") print(f"Ridge测试集 R2 分数: {ridge_model.score(X_test, y_test):.4f}") # 打印 Lasso 识别的前 10 个重要基因 print("\nLasso 鉴定出的前 10 个重要基因:") lasso_top_idx = np.argsort(np.abs(lasso_model.coef_))[-10:] for idx in lasso_top_idx: print(f"Gene_{idx}: {lasso_model.coef_[idx]:.4f}")analyze_results(lasso, ridge)# 生成简单的共表达网络可视化plt.figure(figsize=(10, 5))plt.subplot(1, 2, 1)plt.imshow(np.corrcoef(target_genes[:, :50].T), cmap='coolwarm', aspect='auto')plt.title('前 50 个基因的共表达相关性\n(Lasso 对于独立基因效果很好)')plt.colorbar()plt.subplot(1, 2, 2)plt.imshow(np.corrcoef(target_genes[:, 50:100].T), cmap='coolwarm', aspect='auto')plt.title('基因共表达相关性50-100\n(Ridge 对于共表达基因效果很好)')plt.colorbar()plt.tight_layout()plt.show()plt.savefig('gene_correlation.png') 然后，运行以上代码，得到如下结果 模型比较结果: -------------------------------------------------- Lasso 识别的基因数量: 18 Ridge 保留的基因数量: 199 模型性能: Lasso测试集 R2 分数: 0.9961 Ridge测试集 R2 分数: 0.9990 Lasso 鉴定出的前 10 个重要基因: Gene_68: -0.0000 Gene_17: 0.0007 Gene_21: 0.0014 Gene_7: 0.0026 Gene_4: 0.0200 Gene_5: 0.1107 Gene_3: 0.1342 Gene_2: 0.2745 Gene_0: 0.4331 Gene_1: 0.7231 从以上模拟的单细胞转录组的分析结果可以看出，Lasso和Ridge在以下方面存在区别： 1. 基因选择效果： Lasso回归只选择了18个重要基因，而Ridge保留了所有199个基因 这反映了在单细胞分析中的两种不同需求： Lasso适合寻找标记基因（marker genes）和关键调控因子 Ridge适合研究整个基因调控网络和通路分析 2. 应用场景： Lasso回归适用于： 寻找细胞类型特异性标记基因 识别关键转录因子 筛选出最重要的信号通路组件 例如： 在肿瘤异质性研究中识别驱动基因 在干细胞分化研究中找出关键调控因子 在免疫细胞分类中确定细胞类型标记物 Ridge回归适用于： 研究基因共表达网络 分析复杂的细胞信号通路 预测基因表达调控关系 例如： 研究基因调控网络中的协同效应 分析细胞分化过程中的基因表达动态变化 预测药物响应相关的基因表达模式 3. 生物学意义： Lasso的稀疏性反映了生物系统中的"关键节点"现象： 少数几个主要转录因子控制整个基因表达程序 细胞类型往往由少数几个特异性标记基因定义 Ridge的平滑性反映了生物系统的"网络效应"： 基因之间存在广泛的相互作用和共表达关系 细胞功能往往需要多个基因的协同作用 4. 实际建议： 如果你的目标是找出细胞类型的标记基因或关键调控因子，使用Lasso 如果你想研究整个基因网络的协同作用，使用Ridge 在许多情况下，可以同时使用两种方法来获得互补的生物学见解 以上的例子，展示了如何在单细胞转录组数据分析中灵活运用这两种回归方法，以回答不同的生物学问题，希望对大家在数据分析有帮助。 本文由 医学事务中心 倪志伟 提供