深刻理解r-packet AUcell在单细胞分析中的作用

AUCell可以识别具有活性基因组(如签名、基因模块...)在单细胞RNA序列数据中。AUCell使用曲线下面积(AUC)来计算输入基因集的关键子集是否富含每个细胞的表达基因。所有细胞中AUC分数的分布允许探索特征的相对表达。因为评分方法是基于排名的，所以AUCell不受基因表达单位和标准化程序的影响。此外，由于单元格是单独计算的，因此可以很容易地应用于更大的数据集，并且可以根据需要对表达式矩阵进行分组。

也就是说，AUcell是分析感兴趣的基因集合是否在所有细胞中都有富集。原因很简单。我们来看看主要的分析内容。

AUcell的分析分为三个步骤:

1、建立排名

2、计算曲线下面积(AUC)

3、设置分配阈值

对于每个细胞，基因从最高值到最低值排列。具有相同表达值的基因被改组。因此，表达为“0”的基因随机排列在排序的末尾。重要的是检查大多数细胞至少具有将用于计算AUC(calcAUC()中的aucMaxRank)的表达的d/检测的基因的数量。AUCell_buildRankings()提供的直方图允许快速检查这种分布。plotGeneCount(exprMatrix)允许在构建排名之前仅获取图。

在这个地方，我们可以看到每个基因都是由高到低排序的，也就是说每个细胞中的每个基因都有一个排序，得到一个排序矩阵。

二、什么是ROC曲线？

ROC的全称是“受试者工作特性”曲线。根据学习者的预测结果，我们把阈值从0改为最大值，也就是一开始，我们把每个样本都预测为正例。随着阈值的增加，学习者预测的正样本数量越来越少，直到最后没有正样本。在这个过程中，每次计算两个重要量的值，分别作为横坐标和纵坐标作图，得到“ROC曲线”。

* * ROC曲线纵轴为“真阳性率”(缩写为TPR)，横轴为“假阳性率”(缩写为FPR)。* *基于上一篇文章《错误率、精度、召回率和F1测量》表1中的符号，

显示ROC曲线的图形称为ROC图。图1给出了一个示意图。显然，对角线对应的是“随机猜测”模型，而点(0，1)对应的是预测所有正例为真例，所有反例为真反例的“理想模型”。

图1: ROC曲线和AUC面积

在实际任务中，ROC图通常是使用有限数量的测试样本绘制的。此时只能得到有限数量的坐标对(真病例率和假阳性病例率)，无法生成图1中平滑的ROC曲线，只能画出图2所示的近似ROC曲线。绘制过程很简单:给定m+个正例，m-个反例，根据学习者的预测结果对样本进行排序，然后将分类阈值设置为最大，即所有样本都作为反例进行预测。此时真采样率和假阳性采样率都为0，在坐标(0，0)处标记一个点。然后依次将分类阈值设置为每个样本的预测值，即依次将每个样本划分为正例。让前一个标记点的坐标为

三、ROC曲线的意义

(1)主要功能

1的曲线。ROC可以很容易地找出任何阈值对学习者泛化性能的影响。

2.选择最佳阈值是有帮助的。ROC曲线越靠近左上角，模型的召回率越高。ROC曲线上最靠近左上角的点是分类错误最少的最佳阈值，假正例和假反例总数最少。

3.你可以比较不同学习者的表现。把每个学习者的ROC曲线画到同一个坐标上，直观的识别出优劣。左上角附近的ROC曲线代表准确率最高的学习者。

(2)优势

1.这种方法简单直观，通过图表可以观察分析方法的准确性，用肉眼即可做出判断。ROC曲线以图形的方式结合了真采样率和假正采样率，能够准确反映某个学习者的真采样率和假正采样率之间的关系，是检测准确率的综合代表。

2.在生物信息学方面的优势:ROC曲线没有固定的阈值，允许中间状态的存在，有利于用户结合专业知识，权衡漏诊和误诊的影响，选择更大的阈值作为诊断参考值。

四、AUC地区的由来

如果两条ROC曲线不相交，我们可以确定哪条曲线最接近左上角，哪条曲线代表学习者的最佳表现。然而，在实际任务中，情况非常复杂。如果两条ROC曲线相交，一般很难断言谁优谁劣。在许多实际应用中，我们常常希望将学习者的表现分成高低两个等级。这里介绍AUC区域。

在比较学习者时，如果一个学习者的ROC曲线被另一个学习者的曲线完全“包裹”，可以断言后者的表现优于前者；如果两个学习者的ROC曲线交叉，一般很难断言孰优孰劣。此时，如果需要比较，比较合理的判断依据是比较ROC曲线下面积，即AUC(ROC曲线下面积)，如图1和图2所示。

动词 （verb的缩写）什么是AUC面积？

如图2所示，AUC可以用公式3估算。

不及物动词AUC面积的意义

AUC是衡量二元分类模型优劣的评价指标，表示预测的阳性病例排在阴性病例之前的概率。

看到这里，是不是很费解，根据AUC的定义和计算方法，怎么会和预测的阳性病例排在阴性病例前面的概率有关系呢？从定义和计算方法上很难理解AUC的含义。事实上，AUC与Mann-WhitneyU检验密切相关。从Mann-Whitney Ustatistics的角度来看，AUC就是从所有正样本中随机选取一个样本，从所有负样本中随机选取一个样本，然后根据你的学习者预测两个随机样本，预测正样本为正例的概率是p 1，预测负样本为正例的概率是P2，p 1 >；p 2的概率等于AUC，因此AUC反映了分类器的分类能力。按照这个解释，如果我们完全随机的对样本进行分类，那么AUC应该接近0.5。

此外，值得注意的是，AUC的计算方法考虑了分类器同时对正反例进行分类的能力，在样本不平衡的情况下仍能对分类器做出合理的评价。AUC对样本类别是否平衡并不敏感，这也是不平衡样本通常用AUC来评价学习者表现的一个原因。比如在癌症预测的场景中，假设没有癌症的样本为阳性病例，有癌症的样本为阴性病例，阴性病例的比例很小(约0.1%)。如果所有样本都预测为阳性病例，准确率可以达到99.9%。但是，如果使用AUC，所有样本都被预测为正例，TPR为1，FPR为1。在这种情况下，学习者的AUC值将等于0.5，这成功地避免了样本不平衡带来的问题。

最后我们在讨论:ROC曲线是否可以用来衡量多分类问题下的模型性能？

我的理解:ROC曲线在多分类中没有意义。只有在二元分类中正负同等重要时，ROC曲线才适合评价。如果真的需要在多分类问题中使用ROC曲线，可以转化为多个“一对多”问题。即把其中一个作为正例，其余的作为反例，画出多条ROC曲线。

回到我们信分析的第二步，AUC的计算。

为了确定基因组是否在每个细胞的基因排序顶部富集，AUCell使用了恢复曲线的“曲线下面积”(AUC)。

为了计算AUC，默认情况下仅使用排序中前5%的基因(即检查基因组或签名中的基因是否在前5%内)。这允许在更大的数据集上更快地执行，并减少排名底部的噪声的影响(例如，许多基因可能在0计数处结合)。要考虑的百分比可以用参数aucMaxRank修改。对于大多数细胞表达许多基因的数据集(例如过滤的数据集)，或者这些数据集具有高表达值，增加该阈值可能是好的。检查AUCell_buildRankings提供的直方图，以估计该阈值在数据集中的位置。

这里我们深有体会。在对一个细胞进行测序后，我们得到下面的图片:

至于基因集的选择，可以用hallmark来研究肿瘤的特性。