单细胞分析

接手一个 Seurat 对象,怎样知道哪一层还能用来做 pseudobulk?

作者:发布于 2026-11-17约 10 分钟阅读
按层来源、原始计数与供者手算检查 Seurat 对象的示意图

合作者发来一个能够直接打开的 Seurat 对象,细胞注释、降维图和病人分组一应俱全。你想在单核细胞里按患者做差异表达,正准备把同一人的值相加,却在 RNA assay 中看到好几个数据层。打开其中一个,数字大多很小,另一个甚至有负数,叫作 counts_backup 的那层倒是整整齐齐。眼下最容易犯的错误,是根据层名选一个看起来顺眼的矩阵。用本文的练习,你可以给每层做一份带来源说明的检查记录,选出能用于原始 UMI 汇总的输入,并亲手复算一个样本中的一个基因。

按层来源、原始计数与供者手算检查 Seurat 对象的示意图

接到对象时,先找出谁创建了这一层

向交付者要两样东西,一份是从原始矩阵生成对象的起始脚本,另一份是保存对象前运行过的主要步骤。读脚本时,追到矩阵读入的那一行,确认实验类型、原始文件来自哪个输出目录、当时提取的是哪个 assay。细胞表面蛋白读出和基因表达可能同时出现在一个对象里,它们共享许多条码,含义完全不同。一个叫 counts 的层可能来自基因表达原始 UMI,也可能是另一种模态的计数或经过特殊处理的结果。把你找到的证据写在记录里,日后再打开对象便不用重新猜测。

Seurat 第五版允许在同一个 assay 里有多个层。常规工作流里可以分别保存计数、归一化数据和标准化后的数值,也可能把不同批次的原始计数存放在不同层。先列出实际层名,看清研究中的数据结构,再从每个候选层抽取几个已知基因与条码。别默认不同层的列数相同,也别把第一个层的条码顺序复制给其余层。即使两个供者的细胞数恰好一样,按位置拼接仍会把人贴错。Seurat 层结构与基本操作

小数、负数和整数分别告诉了我们什么

在普通液滴 UMI 数据中,一个细胞一个基因的观测分子数是非负整数。做文库归一化和取对数以后,小数十分常见。把每个基因中心化时,同一基因在均值以下的细胞还可能出现负值。遇到这些数值特征,可以有依据地判断它们与本次原始计数汇总的要求不一致。相反,全部是整数只能证明数值形式相容。如果有人把转换后的表达四舍五入、把之前已经汇总的样本再当作细胞,或者将二值检出矩阵存回对象,它们同样可能没有小数,却无法恢复每个细胞原来的分子数。

把检查分为可立即判定与尚待补证两类有实际好处。如果某一层已经出现负数,手里又有记录说明它用来绘热图,你可以很快排除它。若一个看似有希望的整数层缺少上游脚本,先把它留在来源待查清单,同时检查是否还保存有来自测序公司的稀疏矩阵。在研究数据里抽一个基因、两三个独特条码,从原始文件与候选层分别读值;做这种独立对照比在几个相互复制的对象之间比较总数更有说服力。

层里看见的情况 本题采用的处置 下一项能核验的证据
非负整数,来源指向本次 RNA 原始计数 保留为候选输入 核对少量条码、基因及总计数
非负整数,只知道曾保存过一份备份 来源待查 找到生成备份的代码或原始文件
有小数,文档说明做过对数归一化 排除该层 另找归一化前的层
属于同一实验但只保存高变基因 核对特征范围 防止把未保存的基因当作零表达

在一个能手算的对象上试一次

下载完整代码、示例数据与参考输出(ZIP) · 下载图文操作手册(PDF)

资料包提供五个模拟层的稀疏矩阵、对应的基因条码清单和细胞元数据。两个原始层各有两个细胞,另有一份整型备份、一个对数转换层和一个含负值的层。安装依赖后运行下列命令,先看输出的逐层检查表,再去打开聚合结果。每层的来源说明均来自练习设置,在真实项目中需要读者自己取证。

python -m pip install -r requirements.txt
python run.py --input example --out results
def inspect_layer(matrix, entry):
    values = matrix.data
    finite = np.isfinite(values).all()
    negatives = int(np.sum(values < 0))
    fractions = int(np.sum(values != np.floor(values))) if finite else -1
    known = entry["provenance"] == "raw_umi" and bool(entry["source_note"].strip())
    if not finite or negatives or fractions:
        status = "incompatible_counts"
    elif not known:
        status = "verify_provenance"
    else:
        status = "include"
    return {"name":entry["name"],"genes":matrix.shape[0],"cells":matrix.shape[1],
            "nonzero":matrix.count_nonzero(),"negatives":negatives,"fractional":fractions,
            "source_note":entry["source_note"],"status":status}

在检查表里挑出 counts_backup。它的最小值和小数项数量看不出异常,处置却仍然是核对来源。现在把该层指向的条码文件打开,你会发现原始两个层的条码它全都有。若因为名字听起来“更彻底”就把三层一起合并,相同细胞将被重复计数。程序在正式汇总前另查可用层之间的条码重叠。真实项目中若多个实验复用了相同碱基条码,先回到实验文库标识为细胞建立全局唯一键,再按键核对重叠,不能只为了消除报错随意添加后缀。

沿一行一列查完,才知道汇总有没有放错地方

要核查一格 pseudobulk 结果,先明确它的行代表哪个基因,列代表哪个生物样本与细胞类型。本题中 P01 的两个 T 细胞在 G1 上各有一和二个分子,合计应为三。P02 的两个细胞对应三和一,合计为四。把这四个表达值从两个原始层读出来,并在结果表找到三与四。只核对两个供者的总和为七还不够,如果把两个供者的列调换,总和仍然完全一致,而差异表达的方向可能已经反了。

def sum_by_sample(matrix, cells, metadata):
    groups = [(metadata[c]["sample_id"], metadata[c]["cell_type"]) for c in cells]
    keys = sorted(set(groups))
    index = {key:i for i,key in enumerate(keys)}
    membership = sparse.csr_matrix(
        (np.ones(len(cells),dtype=np.int64),
         (np.arange(len(cells)),[index[k] for k in groups])),
        shape=(len(cells),len(keys)))
    total = (matrix @ membership).toarray()
    if not np.array_equal(total.sum(axis=1),np.asarray(matrix.sum(axis=1)).ravel()):
        raise ValueError("逐基因计数不守恒")
    return keys,total

函数用一个稀疏的细胞到组的对应矩阵做加和,每个细胞在所属组的位置只有一个非零项。这样基因表达矩阵不必先展开成逐条码的稠密长表。在大对象上,要留意聚合矩阵本身的规模取决于基因数乘以“样本与类型”的组合数。供者数很多、注释切得很细时,可以按细胞类型逐个输出。每次保存都顺带记下这一组包含多少条码、每个样本总分子数,以及哪些样本没有捕获该类型,后面检查建模设计时会派上用场。

换到真实对象时,给层加上能追溯的凭据

如果你已经使用第五版 Seurat,资料包的导出脚本会列出指定 assay 的实际层,给每层单独保存行名、列名及矩阵。对于只有单个处理层的旧对象,先看看其生成版本和可取得的原始输入,再决定恢复方式。转换前先把目标基因集和条码身份记下来。若某层由磁盘后端提供,转换为普通稀疏矩阵可能把整层载入内存,应优先在一个文库或合适子集上尝试,确认导出的处理范围后再扩大。外部数据目录只要有一处丢失,能打开对象外壳也不等于读得出所有层。SeuratObject 层提取说明

Rscript export_seurat.R object.rds my-data RNA sample_id cell_type
python run.py --input my-data --out my-results

两条命令之间要打开导出的层清单,按照前面查到的来源证据调整来源类型并填上说明。脚本将新导出的层统一标为未知,这是留给实际分析者完成的判断。真实数据中若同一患者接受多次取样,样本键要能区分每次取材,再把患者与条件作为单独字段保留下来。若过早把所有时间点都缩成一个患者键,哪怕每个基因的汇总完全正确,也无法重新构造配对治疗前后的比较。

有时合作者只关心一个候选基因,图中颜色和你手算的结果看似不一致。先解释两者的单位:图上的颜色可能来自归一化平均表达,表里则是相加的原始分子数。要核验汇总正确,可以比原始分子数;要展示供者间相对表达,还需经过相应的文库规模校正。把用于聚合的层、核对的基因条码和对象版本写入方法记录,下一位同事才知道哪一张表适合接哪一步。在少量样本上验证完这套对照,若整批原始层的读入和聚合超出本机容量,可以带上层的维度、非零数量及试跑记录继续安排计算。云生信科研服务器租赁

把知识用于当前任务

把方法直接跑起来

使用单细胞在线分析入口,减少环境配置和重复操作。

打开单细胞工具仍有疑问,联系客服 ↗