样本表写的是患者甲,某份单细胞数据的表达轮廓却更像患者乙。把两张 UMAP 放在一起,几乎什么都可以解释成“有点像”:治疗反应、组织位置、制备批次和谱系比例都能影响形状。更直接的做法是列出每一管的登记编号、样本标签如何映射到供者,以及独立来源的基因型与哪些细胞匹配。结论先落到“哪两管该回查、依据是什么”,等实验记录或独立材料确认后,再做标签更正。

两份同意的表,可能只来自一次手工录入
先画出样本的身份链,至少区分患者代号、标本取材号、冻存管号、哈希标签、捕获文库、测序样本表与最终文件夹。如果实验记录先把甲标成乙,之后从同一行复制出文件名和 HTO 对照表,那么文件名和标签解析互相吻合,只能说明复制过程一致。若有独立采集并登记的血样或其他组织的供者基因型,才多了一条与混样登记环节不同的核查途径。即使有独立数据,也要确认它究竟来自谁,不能直接把另一个来历不明的文件当作真值。
限于已有数据时,可以调查实验信息是否自洽。例如某位供者只在第一次捕获装载,另一位只在第三次装载,却在 HTO 结果中频繁交换,要先查标签映射表是否用了另一批的编号。若只有表达数据,可以按样本画推断的性染色体相关基因表达、已知基因型相关特征或病理组成,帮助定位复查对象。某一两个细胞的 XIST、RPS4Y1 是否检出受到组织、表达量、捕获深度等影响,不能单独用于判定身份;同一种性染色体表达模式也无法区分许多不同供者。把这种辅助观察与可核实的登记和 SNP 证据分别记录。
先确认等位基因表能与供者 VCF 对齐
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)
示例含三管、三个虚构供者、每管七个条码。基因型文件使用标准 VCF 的 GT 字段;逐条码观测使用参考、替代等位基因各自的 UMI 数。两份输入必须使用相同基因组版本,按染色体、位置、参考碱基和替代碱基四项共同匹配。只按位置连接,遇到参考版本、链方向或碱基表示差异时可能把支持甲的读段算给乙。示例只保留所有候选均有已知二倍体基因型的双等位单碱基位点,且至少两个供者在该位点不同。未匹配的观察位点会写成清单,方便检查是否有系统性版本错误。
python run.py --input example --out results
这段代码按一个简单的单供者模型给候选人排序。若供者基因型为两个参考等位基因,观察到 ALT 的概率用一个小错误率表示;杂合子设为一半;两个 ALT 的情形则设为一减错误率。逐位点把符合 REF 与 ALT 的分子数乘对应的自然对数概率,再沿有效位点相加。比较的是同一颗条码的数据在不同候选供者之间的相对证据,忽略的组合系数对各候选相同。这里只为读者解释每个数字怎么来的,不试图覆盖等位基因特异表达、双细胞、环境 RNA 以及亲缘关系的全部情况。正式拆样可结合 demuxlet 或 Vireo 的模型与输出。demuxlet 原始研究 · Vireo 使用手册
def log_evidence(a_ref,a_alt,dosage,error):
frac=(error,0.5,1-error)[dosage]
return a_ref*math.log1p(-frac)+a_alt*math.log(frac)
打开三份管的复查表
先从 TubeA 的 BC01 开始。它在六个有效位点累计有二十四个等位基因分子,第一候选是 D2,第一与第二候选的自然对数似然差约为十六点一五。这个数字的含义是给定这里的简化模型,这颗细胞的观测更支持 D2;它不是百分数,也不是具有身份鉴定效力的后验概率。再去看 BC07,只有一个分子、一个位点。脚本可以列出一个最高候选,却仍把状态归为证据不足。研究报告若只写最高候选,就会把一票和二十四票的条码当成同等有力。
| 管号与登记 | 达到证据门槛的条码 | 低覆盖条码 | 最先该查的节点 |
|---|---|---|---|
| TubeA 登记 D1 | 6 颗支持 D2 | 1 颗 | 与 TubeB 一起回查上游登记和标签映射 |
| TubeB 登记 D2 | 6 颗支持 D1 | 1 颗 | 核对两管是否在同一次分装或导表中交换 |
| TubeC 登记 D3 | 6 颗支持 D3 | 1 颗 | 保留一致对照,检查该批资料是否整体偏移 |
在示例里,A 管和 B 管的 HTO 记录各自仍然与文字登记一致,基因型却形成相互指向的模式。一个合理解释是两管曾在某一个共同节点上交换,但也有其他可能:参考供者 VCF 的列名互换、HTO 标签到人的映射表写反,或者交付文件按错误的样本名打包。管 C 与其参考一致让整个流程整体颠倒的解释较弱,却不能独力说明错误发生在哪一刻。因此先找有时间戳的原始分装表、测序样本单和参考样本登记,而不要见到交叉就立即改病例组标签。
将练习换成真实数据,要保留哪些证据
还可以做一个反向练习。把参考 VCF 的前两位供者列名在副本中互换,基因型数字保持原样,再运行一次。原本显眼的两管疑似互换可能就消失了,但这只能说明结论依赖参考列名。检查独立血样的原始编号和基因型文件产生过程,才能区分是表达文库的名字出了问题,还是用来核验它的参考本身错了。
对于已有每条码 SNP 计数的项目,直接依照示例整理长表。如果手里是 cellSNP-lite 常见的输出,包里的转换脚本读取 AD 和 DP 稀疏矩阵、位点列表及条码列表,写出每个有效条码和位点的 REF 与 ALT 分子数。AD 表示支持替代等位基因的计数,DP 使用该文件定义下参考和替代的覆盖,二者相减得参考计数。使用前确认上游是否按照 UMI 聚合,读段数与分子数不可混用。程序保留每管的独立标识,不跨捕获用同一个裸条码猜测同一颗细胞。
python -m pip install numpy scipy
python from_cellsnp.py --tube TubeA --cellsnp path/to/cellSNP-output --out tubeA-alleles.tsv
若逐管导出长表,拼接时仅保留一行表头,确保原始条码字符串与同一管的身份清单完全一致。位点矩阵行顺序应来自该次输出的 VCF,列顺序来自同文件夹的条码列表。cellSNP-lite 输入输出说明
真实数据的难点往往不在公式,而在覆盖、比较对象与潜在混合。某些候选细胞只覆盖多个供者恰好相同的位点,对身份没有区分力;某两个相关供者在有限位点上也可能很接近。若参考库漏了真正供者,计算仍可能给出一个“候选中最好”的名字。要同时看有效位点数、有效分子数、前两名差值和全管的分布。双细胞或污染会使一个条码同时呈现两个人的等位基因,此时应该回到能够建模双细胞的正式拆样流程,或保留未定状态,不能用这个单一候选练习强作决定。
在处理只有部分细胞异常的样本时,把通过门槛的细胞按谱系和物理捕获分层。如果某一个条码簇明显混合,而多数细胞仍支持原登记,优先检查同一文库内污染、少量错误拆样或混合液滴;如果整管多数有信息的细胞一起指向另一名供者,才更需要寻找管级或文件级的交换。将每一项判断写成可以反查的陈述,包含使用的供者参考、位点坐标版本、达到证据标准的细胞数和仍然无法分配的数量。保留原始标签和建议更正标签两列,并为真正的更正附上确认来源,后续的配对设计才能知道哪个版本已核实。
先用小规模位点确认四个连接键和供者参考方向,再处理全队列,通常能更早发现染色体命名或错误文件夹问题。若每个文库都要从 BAM 重提等位基因计数并在多种候选组合下复核,用一份代表性文库的磁盘读写量和占用时间规划后续计算即可。云生信科研服务器租赁
