Arboreto基因调控网络推断库Skill arboreto

---

名称: arboreto 描述: 使用可扩展算法（GRNBoost2, GENIE3）从基因表达数据推断基因调控网络（GRNs）。在分析转录组学数据（批量RNA-seq、单细胞RNA-seq）时使用，以识别转录因子-靶基因关系和调控相互作用。支持大规模数据集的分布式计算。

Arboreto

概述

Arboreto 是一个计算库，用于从基因表达数据推断基因调控网络（GRNs），使用可从单机扩展到多节点集群的并行算法。

核心功能: 基于观测（细胞、样本、条件）中的表达模式，识别哪些转录因子（TFs）调控哪些靶基因。

快速开始

安装 arboreto：

uv pip install arboreto

基本 GRN 推断：

import pandas as pd
from arboreto.algo import grnboost2

if __name__ == '__main__':
    # 加载表达数据（基因为列）
    expression_matrix = pd.read_csv('expression_data.tsv', sep='\t')

    # 推断调控网络
    network = grnboost2(expression_data=expression_matrix)

    # 保存结果（TF, target, importance）
    network.to_csv('network.tsv', sep='\t', index=False, header=False)

关键提示: 始终使用 if __name__ == '__main__': 防护，因为 Dask 会生成新进程。

核心能力

1. 基本 GRN 推断

适用于标准 GRN 推断工作流程，包括：

• 输入数据准备（Pandas DataFrame 或 NumPy 数组）
• 使用 GRNBoost2 或 GENIE3 运行推断
• 按转录因子过滤
• 输出格式和解释

参见: references/basic_inference.md

使用可直接运行的脚本: scripts/basic_grn_inference.py 进行标准推断任务：

python scripts/basic_grn_inference.py expression_data.tsv output_network.tsv --tf-file tfs.txt --seed 777

2. 算法选择

Arboreto 提供两种算法：

GRNBoost2 (推荐):

• 基于梯度提升的快速推断
• 针对大型数据集（10k+ 观测值）优化
• 大多数分析的首选

GENIE3:

• 基于随机森林的推断
• 原始的多回归方法
• 用于比较或验证

快速比较：

from arboreto.algo import grnboost2, genie3

# 快速，推荐
network_grnboost = grnboost2(expression_data=matrix)

# 经典算法
network_genie3 = genie3(expression_data=matrix)

有关详细算法比较、参数和选择指南: references/algorithms.md

3. 分布式计算

从本地多核扩展到集群环境：

本地 (默认) - 自动使用所有可用核心：

network = grnboost2(expression_data=matrix)

自定义本地客户端 - 控制资源：

from distributed import LocalCluster, Client

local_cluster = LocalCluster(n_workers=10, memory_limit='8GB')
client = Client(local_cluster)

network = grnboost2(expression_data=matrix, client_or_address=client)

client.close()
local_cluster.close()

集群计算 - 连接到远程 Dask 调度器：

from distributed import Client

client = Client('tcp://scheduler:8786')
network = grnboost2(expression_data=matrix, client_or_address=client)

有关集群设置、性能优化和大规模工作流程: references/distributed_computing.md

安装

uv pip install arboreto

依赖项: scipy, scikit-learn, numpy, pandas, dask, distributed

常见用例

单细胞 RNA-seq 分析

import pandas as pd
from arboreto.algo import grnboost2

if __name__ == '__main__':
    # 加载单细胞表达矩阵（细胞 x 基因）
    sc_data = pd.read_csv('scrna_counts.tsv', sep='\t')

    # 推断细胞类型特异性调控网络
    network = grnboost2(expression_data=sc_data, seed=42)

    # 过滤高置信度链接
    high_confidence = network[network['importance'] > 0.5]
    high_confidence.to_csv('grn_high_confidence.tsv', sep='\t', index=False)

批量 RNA-seq 与 TF 过滤

from arboreto.utils import load_tf_names
from arboreto.algo import grnboost2

if __name__ == '__main__':
    # 加载数据
    expression_data = pd.read_csv('rnaseq_tpm.tsv', sep='\t')
    tf_names = load_tf_names('human_tfs.txt')

    # 使用 TF 限制进行推断
    network = grnboost2(
        expression_data=expression_data,
        tf_names=tf_names,
        seed=123
    )

    network.to_csv('tf_target_network.tsv', sep='\t', index=False)

比较分析（多条件）

from arboreto.algo import grnboost2

if __name__ == '__main__':
    # 推断不同条件的网络
    conditions = ['control', 'treatment_24h', 'treatment_48h']

    for condition in conditions:
        data = pd.read_csv(f'{condition}_expression.tsv', sep='\t')
        network = grnboost2(expression_data=data, seed=42)
        network.to_csv(f'{condition}_network.tsv', sep='\t', index=False)

输出解释

Arboreto 返回包含调控链接的 DataFrame：

列	描述
TF	转录因子（调控者）
target	靶基因
importance	调控重要性分数（越高越强）

过滤策略:

• 每个靶基因的前 N 个链接
• 重要性阈值（例如，> 0.5）
• 统计显著性测试（置换测试）

与 pySCENIC 集成

Arboreto 是 SCENIC 管道用于单细胞调控网络分析的核心组件：

# 步骤 1: 使用 arboreto 进行 GRN 推断
from arboreto.algo import grnboost2
network = grnboost2(expression_data=sc_data, tf_names=tf_list)

# 步骤 2: 使用 pySCENIC 进行调控子识别和活性评分
# （参见 pySCENIC 文档进行下游分析）

可重复性

始终设置种子以获得可重复的结果：

network = grnboost2(expression_data=matrix, seed=777)

运行多个种子进行稳健性分析：

from distributed import LocalCluster, Client

if __name__ == '__main__':
    client = Client(LocalCluster())

    seeds = [42, 123, 777]
    networks = []

    for seed in seeds:
        net = grnboost2(expression_data=matrix, client_or_address=client, seed=seed)
        networks.append(net)

    # 合并网络并过滤共识链接
    consensus = analyze_consensus(networks)

故障排除

内存错误: 通过过滤低方差基因减少数据集大小，或使用分布式计算

性能慢: 使用 GRNBoost2 而不是 GENIE3，启用分布式客户端，过滤 TF 列表

Dask 错误: 确保脚本中存在 if __name__ == '__main__': 防护

空结果: 检查数据格式（基因为列），验证 TF 名称与基因名称匹配