云素材PPT模板超市 ChatGPT与PPT 2023-08-04

ChatGPT在生物信息学领域的应用与局限

文章主题：生物信息学, ChatGPT, 对话形式, 表达量分析

近期，我们的生物信息学交流群中，ChatGPT成为了热门话题。无论是简要的试用体验分享，还是深入的焦虑分析以及行业和国家大事的探讨，都使得这个群体充满了活力。这种现象很自然地让我们联想到当前的流量竞争环境，人们往往会追求更高的阅读量，因此我相信这篇文章也将取得不错的关注度。

我看了看朋友们秀出来的跟ChatGPT的生物信息学相关对话，起初还以为是很高大上。比如：

构建一个R语言里面的S4对象（高级数据结构）

ChatGPT 的强大之处在于其能够理解我们提出的问题，这一点确实令人印象深刻。在它的回答中，它首先详细解释了 S4 对象（高级数据结构），并且随后给出了相应的示例，这无疑为我们提供了极大的帮助。

ChatGPT能理解我们的提问确实是很厉害

然而，一旦你熟悉了如何查阅该对象的帮助文档——即help函数，你就能非常清晰地了解到关于此对象的全面介绍，并且其中还包含有示例代码的展示。

# create an instance of ExpressionSet

ExpressionSet()

ExpressionSet(assayData=matrix(runif(1000), nrow=100, ncol=10

))

# update an existing ExpressionSet

data(sample.ExpressionSet)

updateObject(sample.ExpressionSet)

# information about assay and sample datafeatureNames(sample.ExpressionSet)[1:10

]

sampleNames(sample.ExpressionSet)[1:5

]

experimentData(sample.ExpressionSet)

# subset: first 10 genes, samples 2, 4, and 10expressionSet <- sample.ExpressionSet[1:10,c(2,4,10

)]

# named features and their expression levelssubset <- expressionSet[c(“AFFX-BioC-3_at”,“AFFX-BioDn-5_at”

),]

exprs(subset)

# samples with above-average score in phenoData

在数据处理过程中，我们经常需要对一些数值指标进行分析和评估。其中， highScores 和 mean(expressionSet$score) 是两个常用的数值。通过比较 highScores 与 mean(expressionSet$score) 的关系，我们可以更好地了解数据集中的表现情况。

expressionSet[,highScores]

# (automatically) coerce to data.frame

在撰写本文时，我们采用了lm()函数来分析数据集 subset，该函数的因变量是score，自变量是AFFX.BioDn.5_at和AFFX.BioC.3_at。通过这种方式，我们可以更好地理解这些变量之间的关系，并从中得出有价值的结论。

ChatGPT 的技术创新在于将官方文档以对话形式呈现给读者，这确实需要一定的技术实力。不过，我目前还不确定它是从其他来源直接复制粘贴过来，还是经过了一定的处理和转换。无论如何，这种新颖的呈现方式无疑能够增加文档的可读性和吸引力。

差异分析

基于表达量矩阵的差异分析过程可以看我8年前的芯片教程，推文在：

解读GEO数据存放规律及下载，一文就够解读SRA数据库规律一文就够从GEO数据库下载得到表达矩阵一文就够 GSEA分析一文就够（单机版+R语言版）根据分组信息做差异分析- 这个一文不够的差异分析得到的结果注释一文就够

针对不同表达量矩阵格式，里面有大量的包可以选择，如果是表达量芯片我们默认的是limma，而如果是转录组测序的counts矩阵格式，我们会使用DESeq2，edgeR等等，那么让我们看看ChatGPT的回答：

关于差异fix，ChatGPT的回答

实际上，就是把这个包的文档给你了，很简单的看文档：

library(DESeq2)

vignette(DESeq2

)

当然了，包的官方文档确实是又臭又长，所以ChatGPT做了一个精简，让初学者可以一目了然使用起来，但是忽略了大量的背后的参数和原理，以及其它案例，大概率上还是需要去读文档。。。

大概率上还是需要去读文档

单细胞基础流程

就是拿到了单细胞转录组表达量矩阵文件之后，走单细胞转录组流程即可，可以做harmony或者CCA的整合，然后降维聚类分群，如果你对单细胞数据分析还没有基础认知，可以看基础10讲：

01. 上游分析流程 02.课题多少个样品，测序数据量如何 03. 过滤不合格细胞和基因（数据质控很重要）04. 过滤线粒体核糖体基因 05. 去除细胞效应和基因效应 06.单细胞转录组数据的降维聚类分群 07.单细胞转录组数据处理之细胞亚群注释 08.把拿到的亚群进行更细致的分群 09.单细胞转录组数据处理之细胞亚群比例比较

事实上无论是Seurat自己的官方文档，还是我们公众号的介绍，相关基础代码都是足够丰富了，而ChatGPT无非就是代替你查文档罢了。

ChatGPT无非就是代替你查文档

其实还不如直接搜索指定公众号（生信技能树）推文

我一直强调，【先搜索后提问】，我把大概1.3万篇笔记都分享在公众号里面了！告诉你如何去搜索我们生信技能树公众号教程，自行点学会在技能树公众号历史教程里面根据关键词查询，基本上初学者问题都有解决方案！你学会搜索，然后尝试着先搜索你的问题。并且强调大家【搜索完毕告诉我你的关键词，以及微信发给我你搜索的最佳结果推文】

如果是在你的手机里面的微信，下面的三个步骤即可：

要搜索自己关注的某个公众号（生信技能树）的文章，需要先点击进入该公众号，然后点击右上角的三个点按钮。（设置为星标）其实右上角的三个点按钮按钮旁边就是一个迷你版本的放大镜，就是可以点击的搜索框，输入需要搜索的关键词后点击输入法上的【搜索】按钮，就会出现带有该关键词的结果，这些文章都是这个公众号曾经发布的内容。

如果是使用电脑，那么打开浏览器到搜狗微信搜索：https://weixin.sogou.com/

然后输入不同关键词即可：

差异分析 “生信技能树”甲基化 “生信技能树”单细胞 “生信技能树”文末友情宣传

强烈建议你推荐给身边的博士后以及年轻生物学PI，多一点数据认知，让他们的科研上一个台阶：

生物信息学马拉松授课（买一得五），你的生物信息学入门课144线程640Gb内存服务器共享一年仍然是仅需800 千呼万唤始出来的独享生物信息学云服务器