单细胞分析

3 位患者、3 万个细胞,差异分析的样本量怎么算?

作者:发布于 2026-11-17约 12 分钟阅读
六位独立供者与按供者、细胞类型汇总原始计数的统计设计示意

想象一项病例对照研究。三位病例一共测到三万个细胞,另外三位独立对照也提供了样本。你筛出单核细胞,找到一个病例组表达较高的基因。把每个细胞画成一个点,病例和对照两边都是满满一片,检验给出的 P 值也很小。可是课题组真正想回答的是“病例人群中,这类细胞是否倾向于升高这个基因”。回答这个问题,先把图换一下,让每位供者只贡献一个可识别的点。在这个设计中,独立生物学重复是三位病例和三位对照。三万个细胞帮助测准这几个人各自的情况。

六位独立供者与按供者、细胞类型汇总原始计数的统计设计示意

图里的点很多,哪些点提供了新的生物学重复

同一人的细胞共享遗传背景、疾病状态、采样过程和许多环境因素。如果某位病例自身表达偏高,来自他的许多细胞可能一起偏高。把它们当作相互独立的病例,会把一个人的个体差异看成许多次独立观察的共同趋势。更深的测序和更多同一人的细胞能降低某些测量误差,却不能显示换一个人后效应还能保留多少。Squair 等人在有重复的数据上系统比较了差异分析方法,观察到忽略生物学重复会导致假阳性问题。单细胞差异表达原始基准研究

先分清你做的是哪类比较。如果从同一图谱里找区分 B 细胞与 T 细胞的标记,许多细胞层面的比较有实际用途。如果推断某种疾病与表达变化相关,则须明确条件在哪个层面分配、哪些个体彼此独立。培养皿上独立建立的生物学重复、同一患者前后两次取样、同一文库分两条测序通道,对应的设计也各不相同。在代码里它们都可能叫 sample,实验上的关系需要从采样记录恢复。

拿纸算一遍 pseudobulk 在加什么

在一种细胞类型内,按供者和取样条件,把每个基因的原始分子计数相加,便得到一张“基因 × 样本”的矩阵。举个手算例子,同一个人的三个单核细胞,某基因的原始计数为零、二、五,合计为七。对这个样本的其余基因和其他样本做同样的汇总。若同一人治疗前后都取样,前和后各自保留一列,再在统计模型里配对。直接把两次相加会抹去想比较的条件。

为什么不能把图上经过对数变换的颜色值直接相加?一个分子先加还是先取对数,结果的意义不同。计数模型通常需要能解释为计数的输入,后续再按文库大小、组成和模型假设处理不同样本的总量。Seurat 的 RNA 原始计数层、实验真正保留的整数 UMI 矩阵可以从数据来源验证。经过整合的坐标、标准化残差和按行缩放的热图值则回答不同问题。检查原始数据处理记录,比看到一串整数就判定来源更稳妥。Seurat 的样本级差异分析实例

下面这个小例子只做汇总与验算。输入是同一种细胞类型的稀疏基因计数矩阵,以及一行对应一个条码的样本表。sample_id 代表一次明确的生物样本,元数据中还要另存患者和条件。

stopifnot(identical(colnames(counts), rownames(meta)))
stopifnot(!anyNA(meta$sample_id))
sample_id <- factor(meta$sample_id)
design_sum <- Matrix::sparse.model.matrix(~ 0 + sample_id)
pb <- counts %*% design_sum
colnames(pb) <- levels(sample_id)
stopifnot(all(Matrix::rowSums(counts) == Matrix::rowSums(pb)))

这段代码保住了每个基因的总分子数,还需多做一个方向的核对。任选一位供者、一个基因,从原细胞矩阵里单独取出对应条码求和,与汇总矩阵那一格逐一对上。第一项验算查漏算与重复,第二项查样本是否贴错标签。保存每列纳入了多少个细胞、测到了多少分子,方便发现极小的样本列。

多取一管、少一个亚群,设计矩阵会怎么变

遇到的取样结构 应怎样保留信息 在结果里说清什么
三位病例与三位独立对照 同类型内每位供者各成一列,按组比较 两组分别有几位独立供者
同一批患者治疗前后各取一次 患者与时间点共同定义样本,在模型中配对 有多少完整配对、哪些时间点缺失
同一个样本拆成两次技术建库 追溯技术重复,按来源合并或合理建模 一个人贡献了多少文库
某位供者没有捕获到目标类型 在该类型的覆盖表中标为缺失 该对比实际还剩多少人

特别留意表中最后一行。某人没有捕获到树突状细胞,不能据此为他的树突状细胞填一整列零表达。那相当于声称已经测量了这类细胞,且所有基因均未检出。更合理的做法是把缺失记录在覆盖表中,必要时另行研究这类细胞的相对丰度。若每组只剩很少的合格供者,就把这一类型作为描述性发现,公开可用的人的数量,避免一份过于自信的基因排序表。

模型跑完以后,先看六个点

在未配对设计中,样本表可以包含病例或对照标签,以及有足够信息估计的技术协变量。若病人和条件一一绑定,每人仅出现一次,把所有患者编号作为固定效应再同时拟合疾病分组,通常会使设计矩阵无法独立估计组效应。配对设计则不同,同一患者跨两个条件,模型可以在患者内比较。运行前输出条件与批次的列联表并检查设计矩阵是否满秩,会比事后解释一条“系数不可估计”的报错省事。muscat 多样本差异分析教程

看结果时,先给最关心的基因画样本级表达散点,配对就把同一人的点连起来。假设三位病例中只有一个人特别高,另外两位与对照重叠,细胞加总后的均值仍可能很漂亮。此时可以逐个拿掉一位供者重算,观察效应方向和幅度变化。这个操作用来识别高影响个体,应把各次结果一并保留。反复删人直到得到理想显著性,会把探索过程隐藏在最后一张图里。

三对三的估计通常有较大的不确定性。输出每个基因的效应量、方向、适用的区间估计和多重检验校正结果,再核对该类型在每人的细胞数。一个效应方向一致但区间很宽的基因,与一个只在一人升高且总体 P 值很小的基因,后续验证的理由不同。优先增加独立供者还是增加已有样本的细胞数,要看当前缺口是个体覆盖不足、稀有类型采样不足,还是测量噪声过大。

把各供者的细胞数和样本文库大小画在效应图下方,还能查出一个常被忽略的问题。某位患者恰好有很多单核细胞,其汇总计数自然可能更高。直接用汇总计数柱高判断组间差异,会把测量规模也带进比较。拟合计数模型时应按所用方法估计文库大小和组成差异,并在画供者散点时使用注明尺度的标准化表达。若图上是标准化表达、模型中用的是原始计数,图注把两件事各写一句,合作者就能准确复现。

还可以检查“单核细胞”这一层标签是否太宽。假设病例里某个单核亚型变多,而这个基因恰好只在该亚型中高表达,整个谱系的汇总仍会显示上升。回到各供者,把亚型比例与亚型内部的表达放在相邻两幅图里。有足够生物学重复时再细分分析。若某个亚型只在一位供者里采到,诚实报告覆盖范围。这类复查能够说明观察来自谱系构成变化、相同亚型的转录变化,还是现有采样仍无法区分两者。

检查的最后一步是把每个待验证候选写成一句话。点名是哪类细胞、哪组相对哪组、效应朝哪个方向、几位供者支持。配对设计中则写明几对同向。这样写过之后,原来那句“有三万个细胞支持”便会变为可以回到样本表核对的发现。想练习这条流程,可以先用公开的干扰素刺激外周血数据,在同一供者内比较。Kang 等的配对实验

把供者表一直跑到 edgeR 的结果表

运行从稀疏原始计数、细胞标签、样本覆盖到 edgeR 准似然检验的完整流程。文章开头用三位病例解释独立样本量。下载练习另用 4 位虚构供者的前后配对,便于亲手检查设计矩阵。

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

cov <- read.delim("results/sample_coverage.tsv")
with(subset(cov, use), table(donor, condition))
design <- read.delim("results/design.tsv", check.names = FALSE)
design[, c("sample_id", "conditionafter")]

模拟数据有 192 个细胞,每份样本 18 个单核细胞、6 个 T 细胞。筛单核细胞后 144 个细胞汇入 8 列,每位供者各有一前一后。这里可估计 4 对供者的条件差异。

用另一张表检验你的解释

de <- read.delim("results/differential.tsv")
subset(de, gene_id == "ISG15", c(gene_id, logFC, FDR))
patients <- read.delim("results/donor_expression.tsv")
patients[order(patients$donor, patients$condition),
         c("donor", "condition", "n_cells", "logCPM")]

在给定的模拟计数中,ISG15 被设定为处理后上调,实跑的 log₂ 倍数变化约为 +1.31。配对图可查看各人方向。若要分析独立病例和对照,在设置表改成 independent,并为两组提供不同供者;有重复供者或配对缺失时脚本会指出设计问题。

换成自己的数据

raw_counts 是带有唯一基因、细胞行列名的原始计数矩阵,cell_metadata 包含输入表中的五个字段。导出后根据研究设计修改 my-data/settings.tsv。

source("prepare.R", encoding="UTF-8")
write_count_inputs(raw_counts, cell_metadata, "my-data")
file.copy("example/settings.tsv", "my-data/settings.tsv")

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。

把 4 位供者依次拿掉一位,ISG15 的方向还稳吗?

完整队列得到一个很小的 FDR 时,可以问得更具体:把任意一位供者的一对样本同时拿掉,估计的处理效应是否改变方向?每次从原始 pseudobulk 计数重做表达过滤、归一化、离散度估计与准似然检验。

Rscript advanced.R example results ISG15

末尾参数替换为目标基因 ID。该练习用于成对设计,至少要有三位完整供者,才能保证每次留一后仍有两对样本。每次重算都记录被保留的基因数,目标基因若被过滤则保留 filtered 状态。

x <- read.delim("results/leave-one-donor.tsv")
x[, c("omitted", "pairs", "status", "logFC", "FDR")]
range(x$logFC[x$omitted != "(none)"], na.rm = TRUE)

模拟队列全样本拟合得到 log₂ 倍数变化 +1.313。留一后,ISG15 的四个估计约为 +1.162、+1.405、+1.094、+1.492。拿掉 D1 时 FDR 约为 0.073,效应仍为正向。读表时应分别报告方向是否一致、效应变动多少,以及统计精度如何变化。

将基因改成 MX1,再看哪一位供者对该基因影响较大。留一拟合共享大部分样本,四个结果互相依赖。不要挑其中最小的 FDR 当最后结果,也不能将四次拟合解释为来自四个独立队列的验证。

一个队列的供者散点和计数验算跑通之后,再把同一脚本用于其他队列。如果本机难以同时打开原始矩阵,可以根据对象大小和发生中断的聚合步骤,选择适合自己继续分析的计算环境。云生信科研服务器租赁

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗