做肺癌单细胞注释时,最容易在上皮细胞这一行写快了。样本标签写着“肿瘤”,图上 EPCAM、KRT8、KRT18 又都很亮,于是整群被改名为恶性细胞。等到比较肿瘤程序,某些“肿瘤细胞”竟保留成套肺泡标记,和邻近组织里的细胞十分相像。这次注释把取材、谱系和细胞身份混在了一起。样本标签记录取材位置,上皮标记描述谱系,恶性身份还需要细胞自身的证据。下面以人类实体瘤的液滴单细胞转录组为例,逐层做这项判断。

第一次注释只回答它属于哪个谱系
先用一组上皮标记圈出候选,和免疫、内皮、成纤维等大类对照。EPCAM 阳性提供线索,角蛋白组合和组织特异性标记可以补充。一些出现去分化或状态变化的肿瘤上皮细胞会失去典型标记,如果只保留 EPCAM 超过某条阈值的条码,容易一开始就把真正需要识别的群体排除。把证据较弱的相邻群也留下做复核,单独写明为什么纳入。
做一张按患者和组织部位分面的点图,记录每组上皮细胞的数量及主要标记。肿瘤标本中常含邻近腺体、正常上皮和免疫基质成分,癌旁取材也可能含病灶成分。取材部位是很好的先验线索,无法给单个条码提供病理鉴定。可以从公开的肺腺癌队列练习这一点,先读作者如何区分样本来源,再看他们如何为恶性上皮提供额外的判定依据。肺腺癌单细胞原始研究
一条染色体上的许多基因,为什么能提供另一种线索
基因组有较大片段扩增或缺失时,该段多个相邻基因的表达量可能一起偏离参考水平。按染色体位置排列基因,再沿基因组观察连续区段,就有机会从稀疏的 RNA 计数中寻找较大尺度的拷贝数异常。CopyKAT 正是从转录组推断这类模式,并据此估计部分细胞的非整倍体状态。它利用了基因剂量与表达的联系,观察到的数据始终是 RNA。一个高表达的致癌基因、一个增殖程序,都不足以单独构成大片段证据。CopyKAT 原始研究
看热图时,先把横轴的染色体边界打开,纵轴标出细胞条码、样本、初步谱系标签。一个值得复核的现象是,同一批上皮细胞在几段相连区域呈一致偏移,同时本样本中的可信参考大致平稳。若色带只覆盖几个彼此无关的强表达基因,或只在基因覆盖非常差的细胞出现,先检查输入、参考和表达状态。保留看起来普通的参考细胞作对照,整张热图才有可解释的基线。
先选参考,再看程序给出的类别
以单份样本为起点,准备未经整合的基因计数矩阵,检查基因标识、物种、条码与注释能否一一对应。参考候选可来自同一次取材中注释清楚、复杂度合适的正常细胞。在上皮实体瘤中,可信的免疫或基质细胞常可用于辅助建立基线。若研究对象本身起源于这些谱系,参考选择必须重新设计。即使来自癌旁,正常上皮也要复核其标记和来源。把每组参考的纳入理由列在表里,比仅写“按默认参数分析”更有用。
CopyKAT 作者建议逐样本运行,多样本混算可能拾取样本间的表达差异。它也支持明确提供可信正常细胞的条码。实际操作时先保存自动识别结果,再在确有依据时用自选参考重复,保持其他输入一致。若一批候选的状态在两套合理参考间来回变化,标为“参考敏感”,并检查两套参考的谱系、数量和覆盖。对于异常比例很高或近乎纯上皮的样本,缺少内部正常参照本身就应列入解释。CopyKAT 作者使用说明
| 同一细胞群掌握的证据 | 适合记录的标签 | 下一步复核 |
|---|---|---|
| 上皮标记清楚,多段连续拷贝数异常,对更换参考稳定 | 恶性上皮候选,有拷贝数支持 | 对照同患者病理、DNA 或已知体细胞变异 |
| 上皮标记清楚,模式接近二倍体,正常分化程序完整 | 正常样上皮,待结合组织来源 | 比较配对正常组织及独立检测 |
| 上皮标记清楚,近二倍体,但有独立肿瘤来源证据 | 单列为近二倍体的可疑或已验证群体 | 清楚写出该项独立证据对应的范围 |
| 深度很低、参考改变即翻转,或有重叠谱系标记 | 身份待定 | 补参考、排查混合条码,保留原计数 |
一个简短的判读练习
设想同一位患者的三个上皮小群。甲群有成套角蛋白标记,在两种合理参考下都出现两段一致偏移,同样的片段又出现在患者的肿瘤 DNA 检测里。乙群同样表达角蛋白,保留符合组织结构的正常分化程序,拷贝数图接近平坦。丙群 RNA 覆盖很少,在换参考时从非整倍体变为未定。这是教学情景,三群都不需要先由一个软件标签定性。甲群的不同来源证据彼此衔接。乙群适合先记为正常样。丙群值得保留为低信息量。这种分法允许日后新增证据,而不会让旧标签把讨论锁死。
还有两类容易忽略的反例。总体近二倍体的肿瘤仍可能由点突变、重排或其他局部改变驱动,大片段 RNA 推断的分辨力对此有限。另一些强烈的谱系表达差异或制备偏差,则可能让参考和目标呈现广泛差异。当基因组拷贝数图与组织来源冲突时,先核对参考是否确属同一患者、基因坐标与输入物种是否匹配,以及异常是否在多个相邻区段和多个细胞中重现。一个“正常”或“异常”输出只代表该流程在这批输入上的判断。
怎么获得真正独立的证据
优先盘点同一患者已经拥有的材料。组织病理能说明哪块区域确有肿瘤,若单细胞来自组织匀浆,它对某个特定条码的指认能力有限。配对肿瘤 DNA 能支持群体层面的片段异常,有位点覆盖的单细胞证据或可定位的原位实验,则能进一步缩小归属范围。如果已有已知体细胞变异,核对变异等位基因和覆盖深度。在一个稀疏的 RNA 条码中没读到突变,很可能只说明那个位置未被充分采到。在表头逐项注明证据能够定位到组织、细胞群还是具体细胞。
准备下游分析时,留三份名单。第一份含证据相对充分的恶性上皮候选,用来做主要结果。第二份加入边界群,用于敏感性分析。第三份记录排除和未定的条码及理由。用同一个程序比较药物反应评分、患者间差异或细胞通讯时,把前两份名单分别跑一遍。如果只有加入不确定细胞后某条通路才排到前列,文章里就能明说这个发现依赖哪项注释决定。这比删掉边界细胞后只留一张看似干净的图更便于复现。
如果目标是比较两类患者的恶性细胞比例,分母还需再核一次。以全部回收细胞为分母,比例会随免疫细胞回收多少而变。以上皮细胞为分母,则描述回收上皮中的恶性候选构成。把“未定”群也列成一列,分别计算它们算入或不算入恶性候选时的范围。若两组间的差距落在这段不确定范围之内,最需要补的可能是身份验证,而非继续寻找差异标记。细胞回收过程的偏倚仍然存在,因此这种比例也不能直接替代病理切片上的肿瘤面积或肿瘤纯度。
用代码对齐两次 CopyKAT 判读
对同一份样本的两套参考设置,逐细胞核对软件分类,再列出参考敏感、缺少预测和需要独立证据的条码。教学输入是构造的预测表,练习从已有 CopyKAT 输出开始。
下载 R 代码、进阶练习、示例数据与可编辑教程(ZIP) · 单独下载图文操作手册(PDF)
在解压后的文件夹打开终端,先按操作手册安装所需 R 包,再运行下面这条命令。Windows、macOS 和 Linux 均可使用相同的参数。在 RStudio 中也可以将工作目录设到资料包根目录后运行 source("run.R", encoding="UTF-8")。
Rscript run.R example results
核对输入和第一项结果
x <- read.delim("results/cell_review.tsv")
epi <- subset(x, lineage == "epithelial")
with(epi, table(call_auto, call_reference, useNA = "ifany"))
subset(epi, sample_id == "S1" & cell_id == "C02",
c(cell_id, call_auto, call_reference, review))
S1 的 C02 在自动参考中为 aneuploid,在指定参考中为 diploid;它进入 reference_sensitive,优先回查参考、表达覆盖和染色体片段图。两个样本都故意使用 C02 这个条码,按样本和条码联合匹配才不会错位。
用另一张表检验你的解释
todo <- read.delim("results/manual_review.tsv")
with(todo, table(sample_id, review))
subset(todo, sample_id == "S1",
c(cell_id, call_auto, call_reference, review))
S1 的 C04 接近二倍体且有预先记录的独立支持,C06 缺少第二次预测,二者进入不同的复核队列。样本级病理只能说明组织来源,不能直接给某个条码的 independent_support 填 1。
换成自己的数据
fit_auto 与 fit_reference 对应同一样本用两种参考运行的 CopyKAT 返回对象。多样本时先逐份附上 sample_id,再用 rbind 分别合并所有自动与指定参考表。
source("prepare.R", encoding="UTF-8")
auto <- tag_prediction(fit_auto$prediction, "S1")
ref <- tag_prediction(fit_reference$prediction, "S1")
write.table(auto, "auto.tsv", sep="\t", quote=FALSE, row.names=FALSE)
write.table(ref, "reference.tsv", sep="\t", quote=FALSE, row.names=FALSE)
把字段与示例对齐后,运行 Rscript run.R my-data my-results。资料包的 操作说明.md 列出每个输入字段、输出文件与复核办法。
换参考以后,哪些上皮细胞改变了 CNV 判定?
两种参考设置给出同样的标签,需先看究竟有多少条码在两边都获得了可比较的分类。把缺失、未分类和发生翻转的条码拆开,逐样本核对,再交给病理或基因组数据复核。
Rscript advanced.R example results epithelial
末尾参数指定谱系,教学输入可填 epithelial、immune 或 stromal。先在每个样本内限制谱系,只有在两次均判为 diploid 或 aneuploid 的条码才进入一致率分母。运行主脚本时需要已经准备好的两套 CopyKAT 结果。
a <- read.delim("results/agreement-by-sample.tsv")
subset(a, sample_id == "S1")
x <- read.delim("results/changed-calls.tsv")
subset(x, sample_id == "S1", c(cell_id, call_auto,
call_reference, review))
模拟样本 S1 有 6 个上皮条码。两套结果都给出可比较分类的有 4 个,其中 3 个一致,所以一致率为 3/4。另 2 个无法比较。如果把那两个算进分母,会把覆盖问题误写成参考引起的翻转。
在 changed-calls.tsv 找到 S1 的 C02,自动参考下为 aneuploid,指定参考下为 diploid。再查看 C04 的独立证据,它虽然在两次均为 diploid,仍保留近二倍体复核状态。两种参考的一致率无法代替恶性判定的准确率。
最终的图注要让读者看得出上皮身份有哪些标记支持、恶性候选有哪些拷贝数或独立证据,以及哪些细胞还无法定论。这套流程尤其适合把结论按患者保存,因为每位患者的拷贝数背景和可用验证材料都不同。当需要把单样本的判读扩到整队列、并为每位患者重跑参考比较时,若本机容纳不了相应矩阵,可以根据一次试跑的规模安排后续计算。云生信科研服务器租赁
