Paper Repro

这一页对应论文级复现包的固定入口，目标是把“从公开数据到主图和主表”变成一个稳定工作流。

CLI workflow

1. 查看数据集

spatialperturb datasets

2. 下载和准备数据

spatialperturb fetch-dataset shen_2026_scrnaseq --cache-dir .spatialperturb-cache
spatialperturb prepare-dataset shen_2026_scrnaseq --cache-dir .spatialperturb-cache

对于 shen_2026_stereoseq，当前版本支持自动下载和解压，但如果你还没有把 GEF 转换成 .h5ad 或 tabular cell-level export，prepare-dataset 会在 dataset cache 目录写出说明文件，而不是伪造一个准备完成的对象。

3. 运行 benchmark

spatialperturb run-benchmark demo_spatialperturb \
  --cache-dir .spatialperturb-cache \
  --output-dir reports/demo_spatialperturb

如果你需要同时生成 cross-platform concordance，可以给 run_core_benchmark() 传 reference_dataset 或 reference_adata。

4. 重渲染主图

spatialperturb render-paper-figures demo_spatialperturb \
  --cache-dir .spatialperturb-cache \
  --output-dir reports/demo_spatialperturb

Python workflow

import spatialperturb as sp

results = sp.run_core_benchmark(
    "demo_spatialperturb",
    config={
        "cache_dir": ".spatialperturb-cache",
        "method": "pseudobulk",
        "sample_col": "sample",
        "reference_dataset": "demo_spatialperturb",
        "concordance_level": "both",
    },
    output_dir="reports/demo_spatialperturb",
)

固定输出

output_dir 下会包含：

  • tables/: 所有 tidy benchmark tables

  • figures/: 六张主图

  • manifest.json: 运行时间、版本、配置、文件索引

  • config.json: 参数快照

  • input.h5ad: 本次运行实际使用的数据对象

推荐论文主图

当前固定导出：

  1. workflow_schema.png

  2. assignment_qc.png

  3. own_vs_neighbor.png

  4. lr_differential.png

  5. platform_concordance.png

  6. power_curve.png

当前边界

  • GSE274058 已支持自动准备。

  • GSE274447 目前仍需要你先做 GEF 到 cell-level AnnData 的转换。

  • LR 分析默认使用内置 deterministic fallback network；正式 benchmark 最好传入你自己冻结版本的 curated LR table。