迈向可重复的生信分析

引入

尽管科学界普遍同意，可重复再现是评估数据分析的最低标准，但是由于缺乏对数据的整理，对代码工具使用版本的记录等，重复再现某人（甚至有是你自己的）结果都不容易实现。我们常常会遇到以下列举的一系列问题：

• 忘记下载的数据是哪里来的
• 忘记为什么自己要省去不使用部分的数据
• 忘记这个或者那个图是怎么画出来的(特别是对R语言不熟悉的同学们，上网东抄西捡，把代码拼接起来，画完图就完事了)
• 还有一系列类似的小问题

讲了这么多，这里就是希望指出:适当记录实验步骤，让分析可重复的重要性。

如何进行可重复的生信分析

在excel文件中整理好你的数据

我们日常整理的数据基本都会用到excel。在我们进行可重复生信分析之前，我们首先要让初始的excel数据整理得清晰易懂。

首先先看两个例子：

整理前的excel文档：

整理后的excel文档：

通过对比可以看到同样的信息，在正确排版整理后，可读性得到了极大的提高。

对于我们该如何整理excel的文档，作者很贴心的给大家整理了一些小tips:

• 使用矩形的方式排列数据
• 在第一行或者第一列使用表头(并且记得不要手多添加空格，很多R包都会报错如果你的分隔符不一致)
• 一个cell只放一个值
• 每个cell都要有值，空的值可以使用NA表示
• 记得将你的数据备份（存到云盘是个很好的选择）
• 在初始的数据中，不要添加额外的计算，或者进行图型绘制
• 将数据保存为纯文本文件

管理好你的projects

科学大牛曾说过文件命名和管理是有效数据分析最有力的武器。

继续展示一个非常经典的，没有正确进行文件名管理错误例子：

大脑为了偷懒，我们常常会使用最简单的方法进行命名，例如fig1png,fig2png。而且由于很多时候，我们分析不是一天完成的，由于每天的心情不同，我们命名的方式又会出现一系列随机的变化。这个错误的方式可能会在一时间让我们很方便，让我们错以为我们已经将需要的信息已经保存起来了。但是日后过了一周一个月半年，再回来找该文件的时候我们会发现，我们很难再找到我们所需要的东西，因为我们命名的方法并没有任何可寻的归类。

关于如何进行文件名管理，很久之前我已经发过一篇推文，阐述比较好的文件名管理方式：

看完我的推文后，也顺便总结一下视频作者给出的建议：

• 使用日期开头(2018-09-05_xxxx)，便于文件的sort
• 不要使用空格
• 命名要有意义，并且一致
• 在重要的文件夹中写上Read.me文件进行内容记录(千万不要依赖你大脑去记住你做了什么，让电脑帮你去记录)

为一切东西写脚本记录

很喜欢一句话“如果你要做一个分析一次，那么你以后可能会做1000次一样的分析”。将你的每一步分析写成脚本，你一定会受益其中的:

• 让你对分析更加清晰
• 分析可以重复，并且进行流程化的分析
• 会让你知道/避免分析中出现的错误(错误的参数，输入输出等)

这里视频作者也给出了一些相关的小技巧：

• 当你对不同步骤整理了多个脚本后，可以使用流程对不同的步骤进行拟合。（流程整理的工具可以使用snakemake/nextflow等相关的工具）
• 当你整理好流程后，需要对整个流程进行详细的介绍，以便日后的重复分析。
• 当你需要重复使用到一段代码的时候，将它变成function，以便重复利用
• 不要覆盖旧的脚本版本，保存为多个不同的版本以便进行tracking

另外对于如何进行脚本的记录，我以前也写过一篇文章，里面更加详细地介绍了如何进行脚本记录:

进行环境管理与版本控制

进行环境管理和版本控制也是决定一个分析是否能够重复的关键。这部分视频作者比较简单的带过了，没有进行太过仔细的分析。对于如何进行环境与版本管理，会推荐使用conda和docker。这里就先挖个坑，我日后给大家详细介绍。

总结

最后将上面的内容简单总结为几个小点：

• 管理好你的项目文件名
• 适当写READMEs进行信息记录
• 将数据保持简洁，易读
• 适当的在你的代码写上注释
• 对软件版本进行管理
• 自动化你的分享流程
• 分享你所用的计算机环境

参考链接:

1. https://speakerdeck.com/minecr/the-results-in-table-1-dont-seem-to-correspond-to-those-in-figure-2-427452c9-ca4f-4e35-b911-590e6c577430?slide=47
2. https://www.biostat.wisc.edu/~kbroman/presentations/cmp2018.pdf

视频链接:

https://www.youtube.com/watch?v=994uO3U-R1c&feature=youtu.be