两个样本各自做完聚类,单独打开时细胞注释没有问题。一合并,就出现几个熟悉的细胞条码,有的在第一个样本里被标成了 T 细胞,在第二个样本里却是 B 细胞。此时直接删除重名行,可能会删掉一批真实细胞。反过来,直接按条码合并注释,表达表又可能凭空多出几行。用下面这套八个细胞的练习,你可以亲手制造这两种现象,并写出一张既保留缺失、又能证明计数没有被重复的连接结果。

一个条码能识别多大范围内的细胞
液滴测序的细胞条码来自实验体系使用的条码集合。不同捕获实验可以再次出现同样的碱基序列,因此单独拿出一个条码,很难在所有患者、所有文库中给一个细胞命名。先读交付文件的条码说明,了解后缀在这一批输出中代表什么。某些文件保留了实验内的组号,某些对象又在合并时加上样本前缀。原始条码、分析对象中的细胞名称和你计划对外提供的统一键最好分开记录。若旧对象使用了不清楚的改名规则,把原始名单找回来,比在最后一个横线处分割名字更稳妥。10x 特征与条码文件说明
这里说的文库标识,要能定位到给细胞条码赋予身份的捕获实验。若一次捕获后又拆分成基因表达和抗体读出文库,两种读出原本就应通过同一细胞身份连接。此时给每一种模态随手加上不同的样本名前缀,会把本来可匹配的细胞拆开。反之,同一个患者两块组织独立捕获,沿用一个患者名前缀仍然太粗。写映射之前问清“哪份细胞悬液进了哪次捕获”,再确定什么字段能在这个范围内唯一识别一个细胞。
给两张表分别验明粒度
第一张表是一行一个实际细胞,同时保存总 UMI 和候选基因 UMI。第二张表应是一行一条最终注释。如果注释来自多位标注者或不同版本,有可能同一个细胞对应两种候选标签。这些信息有价值,不过要先决定定稿规则,或者将版本拆成列,才能把注释作为一对一关系加到表达表上。对于免疫组库,一条细胞条码对应多条链本来就合乎设计,应当单独保留链表,按问题生成汇总后再连接到表达表。
先把两边的主键分别计算一遍。跨文库的同名属于正常现象,同文库同条码在“一行一个细胞”的输入中出现两遍,则说明数据粒度或来源需要复核。如果习惯使用电子表格,可以将文库、条码排在前两列,按两列排序并查看相邻行。在脚本里直接保存成一对字段,避免当标识本身含下划线或连字符时,把两个不同组合拼成同一个字符串。人眼需要时仍可生成展示名,程序连接优先使用有明确边界的两列。
| 哪种重复或缺失 | 教学脚本的动作 | 应该查什么 |
|---|---|---|
| 不同文库有同名条码 | 两个细胞分别保留 | 文库键能否区分实际捕获 |
| 同库同条码重复 | 指出冲突,停止连接 | 注释是否包含多版本、输入是否重复 |
| 表达表有细胞但注释缺失 | 保留表达值,注释留空 | 是否出自注释前的过滤步骤 |
| 注释表有标记但表达表无细胞 | 列入额外记录 | 是否引用了另一版对象 |
实际跑一次,观察八行怎样变成十二行
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)
解压后运行命令,找到结果目录中的审计文件。模拟数据使用 AA、BB 等短条码,便于直接在两张表中找到同一位置。真实分析中使用完整字符串,不要为了图注好看而截短用于连接的碱基序列。
python run.py --input example --out results
def unique_cells(rows):
indexed = {}
for row in rows:
key = cell_key(row)
if key in indexed:
raise ValueError(f"同一文库内重复出现 {key},请核查输入粒度")
indexed[key] = row
return indexed
单看条码 AA,两个文库的表达表分别有一行,两个文库的注释表也分别有一行。忽略文库字段进行连接时,第一份文库的表达会和两个标签各配一次,第二份同样如此,这一个条码便能造成两行额外记录。再看 CC,它也有相同的问题。两个条码贡献的额外行数相加,原本的八个输入细胞就会被误写为十二行。即便你后来删除重复的最终行,表达值相同而标签不同的那几行仍可能保留下来,因为整行其实并不完全相同。
def attach_labels(cells, labels):
lookup = unique_cells(labels)
observed = unique_cells(cells)
output, issues = [], []
for key, cell in observed.items():
label = lookup.get(key)
if label is None:
issues.append((*key, "missing_label"))
output.append({**cell, "celltype": label["celltype"] if label else "",
"label_status": "matched" if label else "missing"})
for key in sorted(lookup.keys() - observed.keys()):
issues.append((*key, "annotation_only"))
return output, issues
现在打开实际使用双键连接的结果,查看 L2 的 BB。它在表达表里有分子数,只是没有对应标签。若用内连接,它会从结果消失,后续的细胞总数、未注释比例和样本的总计数都会变化。练习使用表达表作左表,把这行保留下来,还另外报告只存在于注释表中的 L1 的 ZZ。两类未匹配项分别代表哪一方提供了证据,下一步找材料的人也可能不同。把两份名单一起交还给合作者,才能知道该补交标签,还是该换回匹配版本的表达矩阵。
仅仅行数正确,还可能发生哪种错配
有一种错误更隐蔽,恰好看不出行数增长。假设每个条码在注释表中只剩一行,但来源文库信息已经丢了,两份文库的细胞可能被贴上同一条标签。结果仍有八行,计数也可能守恒,细胞身份却错了。为此,除了检查行数与总计数,还要抽取跨库重复的条码,把两份文库的真实注释展开并排展示。本例 L1 的 AA 与 L2 的 AA 指向不同细胞类型,能同时复核两者的指派方向,才算把连接键验证到了业务含义上。
对真实项目,再多做一个分组核对。把总细胞数、已注释数、未注释数和候选基因分子数按文库分别列出,看看是否有某一文库特别异常。若只有一个文库几乎全部未匹配,先查前缀或 GEM 组后缀;若每个文库都只有少数未匹配,追溯注释时是否用了更严格的质量筛选。单靠总数会掩盖一份文库增加、另一份文库减少的情况。若最终统计依赖某个罕见亚群,把该亚群的所有条码逐一回查,比随机抽几个常见细胞更能发现会影响结论的问题。
让下次合并少一次人工猜测
保存结果时同时保留文库键、原始条码、分析对象细胞名、数据集编号和映射来源。若制图工具只接受一个名称,选一种可逆、有记录的方式生成展示名,把拆分前的两列也带进元数据。多队列项目中不同研究可能都使用名为样本一的文库,还需要用研究标识限定文库名称的范围。这个过程不会改变每个细胞的表达量,改变的是以后你能否从一张图准确找回原始输入。Seurat 对象与细胞名称
还有一种实际检验很省时间。将注释表的行顺序打乱,在另一个结果目录再跑一次。按细胞键正确匹配时,表达表中每一行得到的标签都应当相同。如果仅仅调整注释文件的顺序便改变了细胞身份,说明某处依靠行号或当前位置贴标签。这项检查特别适合发现从电子表格复制粘贴时忘记同步排序的问题,也能帮助测试从一个分析软件导出、经另一个软件重新排序的细胞对象。
最后检查一次版本顺序。先保存原始条码,再给每次过滤、重命名和重注释留下映射,便于解释新旧对象有哪些条码在本次仍可相互比较。若只能获得没有文库列的旧标签,优先恢复历史导出和样本级文件,再对无法消歧的记录保留待查状态。小清单在普通电脑上就能完成。后续若要把多份大型表达对象连同条码映射一起装入同一环境,可先用这套轻量核验把结构跑通,再依据整批数据的矩阵体量决定计算资源。云生信科研服务器租赁
