生物信息学可视化：复现Nature论文中的AlphaGenome与Borzoi模型性能比较图

1. 项目背景与目标

作为一名长期从事生物信息学可视化的研究者，我最近在复现Nature论文中的图表时遇到一个典型挑战——如何在没有原始数据的情况下，准确还原作者的数据呈现方式。今天要分享的是AlphaGenome与Borzoi模型性能比较的小提琴图复现过程。

这个项目的核心价值在于：

• 掌握科研论文图表复现的完整工作流
• 学习使用模拟数据验证可视化方法的可行性
• 构建可复用的转录组数据分析模板
• 深入理解调控变异效应预测的性能评估指标

2. 原始图表解析

2.1 视觉元素拆解

原图（Nature 649卷1206-1218页）包含以下关键视觉元素：

1. 坐标系统：

   • X轴：7个离散的Distance阈值（50,100,200,300,500,2000,10000bp）
   • Y轴：auPRC值范围（约0.3-0.7）

2. 数据表示：

   • 点云：每个距离阈值下111-613个数据点的分布
   • 抖动处理：防止点重叠的position_jitter
   • 透明度：alpha=0.6确保重叠区域可见

3. 统计标注：

   • 均值点：较大尺寸的实心点
   • 误差线：95%置信区间
   • 样本量标注：每个阈值下方显示n值

2.2 统计学意义

这张图巧妙展示了：

• 模型性能随调控距离的变化趋势
• 两种方法在各距离段的相对优劣
• 数据分布的离散程度
• 统计显著性的直观比较

提示：在生物信息学可视化中，同时呈现原始数据分布和统计摘要至关重要，这也是Nature级别图表的基本要求。

3. 数据准备与模拟

3.1 真实数据特征分析

根据论文补充材料，原始数据具有以下特征：

3.2 模拟数据生成

使用R生成符合上述特征的模拟数据：

r复制set.seed(123)
dist_thresholds <- c(50, 100, 200, 300, 500, 2000, 10000)
n_samples <- sample(111:613, length(dist_thresholds), replace=TRUE)

simulate_data <- function(thresh, n, baseline, sd) {
  trend <- 0.00002 * (10000 - thresh)
  rnorm(n, mean=baseline + trend, sd=sd)
}

alpha_data <- unlist(lapply(seq_along(dist_thresholds), function(i) {
  simulate_data(dist_thresholds[i], n_samples[i], 0.55, 0.05)
}))

borzoi_data <- unlist(lapply(seq_along(dist_thresholds), function(i) {
  simulate_data(dist_thresholds[i], n_samples[i], 0.52, 0.07)
}))

3.3 数据框构建

整理为tidy格式数据框：

r复制library(tidyverse)
df <- data.frame(
  Distance = rep(rep(dist_thresholds, n_samples), 2),
  Method = rep(c("AlphaGenome", "Borzoi"), each=sum(n_samples)),
  auPRC = c(alpha_data, borzoi_data)
) %>% 
  group_by(Distance, Method) %>% 
  mutate(n = n()) %>% 
  ungroup()

4. 可视化实现

4.1 基础绘图

使用ggplot2构建基础图层：

r复制library(ggplot2)
library(ggbeeswarm)

base_plot <- ggplot(df, aes(x=factor(Distance), y=auPRC, color=Method)) +
  geom_quasirandom(
    aes(group=interaction(Distance, Method)),
    dodge.width=0.8,
    alpha=0.6,
    size=1.5
  ) +
  scale_color_manual(values=c("#1f77b4", "#2ca02c")) +
  theme_minimal(base_size=14)

4.2 统计图层叠加

添加统计摘要和标注：

r复制final_plot <- base_plot +
  stat_summary(
    fun.data=mean_cl_normal,
    geom="pointrange",
    size=0.8,
    position=position_dodge(width=0.8)
  ) +
  geom_text(
    aes(y=0.28, label=paste0("n=",n)),
    position=position_dodge(width=0.8),
    color="black",
    size=3.5
  ) +
  labs(
    x="Distance threshold (bp)",
    y="auPRC",
    title="Performance comparison across distance thresholds",
    subtitle="Points show individual benchmark results, error bars represent 95% CI"
  ) +
  theme(
    legend.position="top",
    panel.grid.major.x=element_blank()
  )

4.3 关键参数解析

5. 专业技巧与避坑指南

5.1 生物信息学可视化要点

1. 数据-墨水比优化：

   • 去除冗余网格线
   • 使用高对比度但不过于鲜艳的颜色
   • 保持坐标轴比例符合生物学意义

2. 多重比较标注：

   • 添加统计检验结果（如p值）
   • 使用连线标注显著差异组
   • 考虑FDR校正后的显著性

r复制# 添加统计检验示例
library(ggsignif)
final_plot + 
  geom_signif(
    comparisons=list(c("AlphaGenome", "Borzoi")),
    test="t.test",
    map_signif_level=TRUE,
    y_position=0.7
  )

5.2 常见问题解决

问题1：点云过度重叠

• 解决方案：组合使用position_jitter和geom_quasirandom
• 参数调整：

  r复制geom_quasirandom(
    method="smiley",
    varwidth=TRUE,
    bandwidth=0.5
  )
  

问题2：小样本量可视化失真

• 解决方案：添加样本量标注并考虑小提琴图变体

  r复制geom_violin(scale="count", trim=FALSE)
  

问题3：多面板协调

• 解决方案：使用patchwork包统一比例

  r复制library(patchwork)
  (plot1 + plot2) + 
    plot_layout(guides="collect") &
    scale_y_continuous(limits=c(0.3, 0.7))
  

6. 完整代码实现

r复制library(tidyverse)
library(ggbeeswarm)
library(ggsignif)

# 数据生成
set.seed(123)
dist_thresholds <- c(50, 100, 200, 300, 500, 2000, 10000)
n_samples <- sample(111:613, length(dist_thresholds), replace=TRUE)

simulate_data <- function(thresh, n, baseline, sd) {
  trend <- 0.00002 * (10000 - thresh)
  rnorm(n, mean=baseline + trend, sd=sd)
}

df <- data.frame(
  Distance = rep(rep(dist_thresholds, n_samples), 2),
  Method = rep(c("AlphaGenome", "Borzoi"), each=sum(n_samples)),
  auPRC = c(
    unlist(lapply(seq_along(dist_thresholds), function(i) {
      simulate_data(dist_thresholds[i], n_samples[i], 0.55, 0.05)
    })),
    unlist(lapply(seq_along(dist_thresholds), function(i) {
      simulate_data(dist_thresholds[i], n_samples[i], 0.52, 0.07)
    }))
  )
) %>% 
  group_by(Distance, Method) %>% 
  mutate(n = n()) %>% 
  ungroup()

# 可视化
ggplot(df, aes(x=factor(Distance), y=auPRC, color=Method)) +
  geom_quasirandom(
    aes(group=interaction(Distance, Method)),
    dodge.width=0.8,
    alpha=0.6,
    size=1.5,
    method="smiley"
  ) +
  stat_summary(
    fun.data=mean_cl_normal,
    geom="pointrange",
    size=0.8,
    position=position_dodge(width=0.8)
  ) +
  geom_text(
    aes(y=0.28, label=paste0("n=",n)),
    position=position_dodge(width=0.8),
    color="black",
    size=3.5
  ) +
  geom_signif(
    comparisons=list(c("AlphaGenome", "Borzoi")),
    test="t.test",
    map_signif_level=TRUE,
    y_position=0.68,
    tip_length=0.01
  ) +
  scale_color_manual(values=c("#1f77b4", "#2ca02c")) +
  labs(
    x="Distance threshold (bp)",
    y="auPRC",
    color="Method",
    title="Performance comparison across distance thresholds",
    caption="Simulated data based on Nature 649, 1206–1218 (2026)"
  ) +
  theme_minimal(base_size=14) +
  theme(
    legend.position="top",
    panel.grid.major.x=element_blank(),
    plot.title=element_text(face="bold")
  )

7. 扩展应用

7.1 真实数据迁移指南

当获得真实数据时，只需替换数据生成部分：

1. 准备CSV数据应包含列：

   • Distance：距离阈值
   • Method：方法名称
   • auPRC：性能值

2. 数据导入：

   r复制real_data <- read_csv("your_data.csv") %>% 
     group_by(Distance, Method) %>% 
     mutate(n = n())
   

3. 可视化代码保持不变，只需更改数据源：

   r复制ggplot(real_data, aes(...)) + ...
   

7.2 其他应用场景

该方法适用于：

• 不同算法在RNA-seq分析中的性能比较
• 转录因子结合预测的精度评估
• 表观遗传标记与基因表达的关联分析

我在最近一个ChIP-seq分析项目中，使用类似方法比较了三种peak calling工具的性能差异，通过这种可视化清晰地展示了各工具在不同信号强度区间的相对优劣。