BioF3 组学数据分析

Jupyter 与交互式分析环境

导出日期：2026年5月11日

Jupyter 与交互式分析环境

组学分析的第一个问题是：在哪里写下可以重复运行的分析过程？

Jupyter Notebook 把代码、说明、图表和运行结果放在一起，适合探索性分析和教学演示。本章介绍如何使用本地 Jupyter、JupyterLab、Google Colab 和服务器 Notebook，并说明 Notebook 与普通脚本的分工。

学习目标

完成本章后，你应该能够：

Notebook 适合做什么

Jupyter Notebook 是一种把代码、说明文字、图表和运行结果放在一起的交互式文档。它适合探索性分析和教学演示。

适合：

不适合：

推荐做法：Notebook 用来探索和记录，稳定后把关键步骤整理成 .R、.py 或工作流脚本。

常见交互式环境

Jupyter Notebook

经典 Notebook 界面，适合初学者。文件通常是 .ipynb，内部保存代码单元、Markdown 文本、输出结果和元数据。

启动方式：

jupyter notebook

JupyterLab

JupyterLab 是更完整的工作界面，支持 Notebook、终端、文本编辑器和文件浏览器。做真实项目时更推荐 JupyterLab。

启动方式：

jupyter lab

Google Colab

Google Colab 是云端 Notebook 环境，打开浏览器即可运行 Python。它适合教学和轻量实验，不适合长期保存重要环境或处理隐私数据。

适合：

注意：

服务器 Notebook

在真实组学项目中，数据常放在服务器上。可以在服务器启动 JupyterLab，再通过浏览器访问。

一般流程：

ssh aliyun
cd /path/to/project
jupyter lab --no-browser --port 8888

如果需要从本地浏览器访问远程 Notebook，通常会用 SSH 端口转发：

ssh -L 8888:localhost:8888 aliyun

服务器环境要特别注意权限、数据位置和端口安全。

Notebook 的基本结构

Markdown 单元

用来写说明、记录参数和解释结果。

## 质量控制

本步骤过滤低质量细胞：

- `nFeature_RNA < 200`
- `percent.mt > 20`

Code 单元

用来运行代码。

import pandas as pd

metadata = pd.read_csv("data/metadata.csv")
metadata.head()

输出结果

输出可以是表格、图像、日志或错误信息。正式分析时，不建议只依赖 Notebook 里的输出；重要结果应该保存到 results/。

metadata.to_csv("results/metadata_checked.csv", index=False)

记录运行环境

一个能重跑的 Notebook 至少要把运行环境记下来。

Python 中可以记录版本：

import sys
import pandas as pd

print(sys.version)
print(pd.__version__)

R 中可以记录环境：

sessionInfo()

这些信息对后续复现结果、排查问题都有用。

从 Notebook 走向脚本

Notebook 的价值不是"把所有分析塞在一个文件里"，而是帮你逐步检查数据结构、记录思路。稳定下来的步骤应该整理到 .R 或 .py 脚本，便于批量运行、版本控制和团队协作。

结构建议：

下一步

继续学习：

参考资源