arboreto

用途：从转录组表达数据推断基因调控网络，识别哪些转录因子（TF）调控哪些靶基因。主要能力：提供 GRNBoost2（基于梯度提升，速度快，适合大数据集，默认推荐）与 GENIE3（基于随机森林，可用于对比或验证）两种算法；支持 Pandas DataFrame、稠密 NumPy 数组或稀疏 scipy.sparse.csc_matrix 输入（行=观测/细胞/样本，列=基因，数组输入需显式传 gene_names）；可用 tf_names 限定转录因子，用 limit 返回全局前 N 条链接；输出 DataFrame 含 TF、target、importance 三列，importance 越高表示调控关系越强。使用方式：安装可用 uv pip install arboreto 或 conda install -c bioconda arboreto；基本调用为 from arboreto.algo import grnboost2，再执行 grnboost2(expression_data=matrix)。脚本中必须加 if name == 'main': 保护，因为 Dask 会派生新进程。分布式计算可传入 Dask 的 LocalCluster/Client 控制本地资源，或连接远程调度器（如 Client('tcp://scheduler:8786')）。适用场景：单细胞 RNA-seq、bulk RNA-seq 的调控网络推断，多条件比较分析，以及作为 pySCENIC 的 GRN 推断步骤（pySCENIC 0.11+ 传入稀疏矩阵；0.12+ 默认改用 arboreto_with_multiprocessing.py，需要 Dask 扩展时使用独立 arboreto）。限制与注意事项：需设置 seed 以保证可复现，可用多 seed 取共识；内存不足时可过滤低方差基因或改用分布式；结果为空时检查基因是否按列排列、TF 名称是否与列名一致；稀疏数据需用 csc_matrix 并传匹配的 gene_names（0.1.6 起支持）。上游 PyPI 最新版本为 0.1.6（2021-02-09），依赖 dask[complete]、distributed、numpy、pandas、scikit-learn、scipy。