项目群里发来一张进度表:患者一号建库后有一万个细胞,质控后只剩一千。低基因数、线粒体比例偏高、疑似双细胞这三栏分别有数千条,看起来哪一项都是大头。真正要回答的是,哪些条码第一次出局在这一步,哪些同时命中了两项或三项,剩下的一千个是不是交付对象里那一千个。只看前后两个总数,很容易在不完整的证据上追错问题。今天把这个过程缩小成十个条码,先用笔算出九个细胞去了哪里,再让脚本替整批样本对账。

起点要选在第一次过滤之前
先确认报告里所谓“捕获一万个细胞”的来源。上样目标数、测序公司估计回收数、实际过滤矩阵中的条码数,以及下游对象创建后的列数,都可能被口头称作细胞数。要解释下游质控删掉了多少,起点必须是一份能逐项追踪的实际条码名单。比如本篇从上游已经完成细胞识别的名单开始,因此不能用它追究投进去的细胞有多少在液滴捕获时就已经丢失。如果创建对象时用最少检出基因做过一次筛选,也要么恢复筛选前的矩阵,要么明确分析从哪个更晚的节点开始。
从这份起始对象导出样本号、文库内原始条码、每颗细胞检测到的基因数、线粒体比例和双细胞判定,另存实际交给下游分析的最终条码。保留谱系标签的来源,尚未注释的写成待定。含多个样本时用样本号与条码共同标识,练习里两份样本就故意重复使用了 BC01 到 BC10。如果只拿字符串 BC01 和最终名单匹配,患者一号丢失的细胞可能因为患者二号保留了同名条码而被误算为存活。最好在开始汇总前先检查起点和终点是否有重复键。Bioconductor 的多指标单细胞质控示例
先数规则命中,再数不同的条码
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)
教学设置有三项固定规则:检出基因少于三百,线粒体比例高于百分之十五,双细胞分类为 doublet。两个边界是严格小于和严格大于,所以恰好三百个基因或恰好百分之十五并不触发对应规则。阈值用于演示,并不适合所有组织和文库。缺少任一必需记录的条码被列为未完整评估,不会假设它自动通过,也不会拿缺失值当成零。真实项目若有人工保留、按样本不同的门槛或有条件触发的规则,要按日志记录还原它们,不能把示例中的三项重新当作真实历史。
python -m pip install -r requirements.txt
python run.py --input example --out results
打开规则汇总表,P1 起始十颗都有完整证据。低基因数命中五颗,线粒体偏高五颗,双细胞四颗,直接相加得到十四。起始一共只有十颗,显然曾经重复计算。打开重叠表,其中既有只命中一项的条码,又有同时命中两项的,还有一颗三项都中。把“至少命中一项”的不同条码数一遍,恰好九颗。十减九得到一颗,和实际对象的条码数相同。此时仍应查具体名字,因为完全可能错误地保留了另一颗,碰巧总数也为一。
| P1 的复核心口径 | 第一步:低基因数 | 第二步:高线粒体 | 第三步:双细胞 |
|---|---|---|---|
| 在同一批 10 颗上分别命中 | 5 | 5 | 4 |
| 按示例顺序首次剔除 | 5 | 3 | 1 |
| 每步完成后还有几颗 | 5 | 2 | 1 |
查看条码 BC09,低检出、线粒体偏高、双细胞三项同时命中。如果按低基因数开头,它会被算为第一步首次剔除;将双细胞检查放在最前,它的“第一原因”就改成双细胞。无论哪个先做,固定的三项判据都指向淘汰这颗。下面的函数只负责从已知规则中找第一项命中的原因,其他命中情况另存为三列。所以当有人追问“第二步到底有多少问题细胞”时,你可以同时给出五颗命中和三颗在这一步新出局,并说清图中展示哪一个数字。
def first_hit(flags,order):
for rule in order:
if flags[rule]:return rule
return "pass"
看看哪个谱系从什么时候开始消失
按样本和初步谱系汇总,P1 出发时有六颗髓系、四颗 T 细胞,最终髓系为零、T 细胞为一。这个模拟例子能直接回答髓系并非本来就不存在,它们是在后续规则下全部离开名单。回到条码表,按谱系筛出六个髓系条码,检查是否共享同一种异常,还是在不同条件中分散损失。另一个同组织样本若出发时髓系就只有少数,问题可能更多在取材、解离或上游识别,下一步证据与本例完全不同。把过滤前人数与过滤后人数放在一起,能避免用最后一张 UMAP 倒推出未经观察的历史。
P2 的情况又不同。起始十颗,其中九颗拥有完整规则证据,六颗最终保留,一颗叫 BC10 的条码缺了线粒体百分数。你仍然可以从实际名单看见它最后没有出现,但无法用缺失的证据复现这一条码为什么被删。脚本将它列入未完整评估清单,保留该条码的实际终点状态。若填写一个猜出来的百分比让账看似平了,后面复查数据导出、单位或条码映射问题就会失去线索。交付说明里分别写起点十颗、可核查九颗、实际保留六颗,读者就能知道少的一颗在哪个环节缺资料。
自己改一次顺序和一次真实终点
把输入目录复制一份,在副本中将规则顺序改成双细胞优先,重新输出到另一个结果目录。先看每个条件在起点的命中数是否保持,再看每一步首次归因的人数如何变化。P1 的双细胞若排第一会立即移掉四颗,而原来排末尾时只新移掉一颗。这解释了为什么两位分析者提供的瀑布图可能不一样,哪怕最终名单完全相同。这里所有规则使用预先给定的细胞级数值;若真实流程在初筛后重新拟合双细胞模型、重算样本内自适应门槛或重新注释亚群,更换顺序也可能改变终点条码。那时要回到实际步骤重跑,一张静态证据表无法替你预测新模型的输出。
再做一次容易暴露问题的练习。在副本最终名单内,把 P1 原先保留的 BC10 改成被判低基因数的 BC01,其他记录保持原样。P1 的最终总数还是一,如果仅靠条形图前后核对,没有任何报警。重新运行后,差异表会同时出现预计保留却没在终点、以及预计剔除却确实在终点的两条记录,P2 原先的缺失证据也还在。真实项目若看到这种一进一出,优先核对实际对象版本、人工排除表和下游取子集步骤;不要为了消除差异去改原始质控值。
有时保留率低的样本看起来异常,根源却在技术条件和细胞类型构成上。先按样本与谱系列人数,再把越线分布与原始表达、处理记录和已知样本质量并排查看。对稀有而有明确标记的细胞群,可把相邻阈值下的保留名单分别存着,检查下游结论对规则的敏感性。最后交出起点名单、终点名单、单项命中、重叠和无法解释的条码表,项目组才有机会把数字追到制备或分析的具体环节。等需要给许多文库重复重算上游模型、保留多套敏感性对象时,可以用单次试跑的占用决定后续计算安排。云生信科研服务器租赁
