在一份肿瘤切片的单细胞数据里,上皮细胞按增殖程度排成几团。做病理分型的同事想知道同一组织里有哪些上皮状态,研究靶向药的同事却关心哪批细胞仍在分裂。面对同一张图,两人值得保留的信号并不完全一样。怎样确定一次周期回归到底改动了什么?把每个细胞看作一个可以按条码追踪的对象,分别检查它的谱系、周期位置和目标亚群的邻居,就能把选择依据写出来。

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)
从三组可以独立检验的问题出发
练习包含三位模拟供者,每人四十八个细胞,一半是上皮细胞,一半是 T 细胞。每人有六个带缺氧样程序的上皮细胞,分别落在静息样、复制和分裂三个参考状态。我们特地让每个供者都拥有这几类细胞,使大家能够亲手核对一个有意义的结果。实际项目遇到某位供者没有某种状态时,要保留这个空缺;补一行平均数会让原来无法比较的情形看似有了答案。这里的上皮和缺氧标签都是模拟设计时预先赋予的,读者不会因为拿一个算法的结果去考同一个算法而得到虚高的成绩。
第一项检查是谱系。细胞周期调整前后,上皮细胞附近是否仍然主要是上皮细胞,T 细胞附近是否仍以 T 细胞为主?第二项是相位。假如原先一个进入复制期的细胞几乎只和同相位的细胞为邻,调整后这个比例是否下降?第三项专门留给课题的研究对象。让每个缺氧样上皮细胞依次作为焦点,问它的八个近邻里有几个同样带有缺氧样程序。这三个问题用的是同一批条码,却能分别对应谱系完整性、周期方向和目标状态的局部结构。
自己算一遍周期分数,留下原始标记
解压资料,在同时含有 run.py 和 example 的目录运行下面两行。先打开输出中的 raw_scores.tsv,可以按供者、谱系和预设相位排列细胞。每个基因的原始计数除以该细胞的总计数,乘以一万,然后取自然对数的一加变换。程序分别取两组周期基因在这一层上的均值作为连续分数。复制组包括 MCM5、PCNA 等,分裂组包括 TOP2A、CCNB1 等。另存上皮、T 细胞和缺氧面板的表达均值,供后面回查。基因编号映射缺失时,程序会告诉你哪个面板需要修正,不能把找不到的基因直接当作测到了零个分子。
python -m pip install -r requirements.txt
python run.py --input example --out results
这套短面板故意写得很直观,便于逐行验算。项目中若使用 Seurat 的 CellCycleScoring,得分还涉及模块评分及对照特征;短面板均值不能直接当成它给出的同名分数。无论采用哪一种方法,先在每个供者的已知谱系中核对周期标记,看复制组和分裂组是否沿着合理的细胞状态变化。原始计数、标记表达和原始打分都保留一份,之后即使选择用残差建图,也能回到观测值解释肿瘤内的增殖活动。Seurat 的细胞周期打分与回归教程
两套结果只改动周期调整这一步
第一套直接使用归一化后的基因表达。第二套为每个基因单独拟合一个线性模型,自变量是截距、复制期得分和分裂期得分,拿实际表达减去拟合值,得到残差。随后两套数据分别按基因缩放,重新计算六个主成分和八个最近邻。这样既保留了相同的初始特征、条码、主成分个数和近邻数,又允许周期调整真正影响邻居图。若回归后继续沿用第一次构建的邻居图,八个邻居当然不会变,此时检验的只是旧图能否重复读出来。下面两段函数均来自下载包。
def adjust_cycle(log_expression, s_score, g2m_score):
design = np.column_stack([np.ones(len(s_score)), s_score, g2m_score])
if np.linalg.matrix_rank(design) != design.shape[1]:
raise ValueError("The two cycle scores must vary independently.")
coefficients = np.linalg.lstsq(design, log_expression, rcond=None)[0]
return log_expression - design @ coefficients
def assess(neighbors, lineages, phases, targets):
same_type = (lineages[neighbors] == lineages[:, None]).mean(axis=1)
same_phase = (phases[neighbors] == phases[:, None]).mean(axis=1)
same_target = (targets[neighbors] == targets[:, None]).mean(axis=1)
return np.column_stack((same_type, same_phase, same_target))
对照时千万别把残差值当作表达量。某个细胞的残差为负,表示它低于这套模型在此周期分数下的拟合值,细胞内仍然可能有该基因的分子。比如要给病理同事看哪些上皮细胞表达复制相关标记,就从原始归一化层取值,并可叠加在选定的投影上。另一种常见误读来自轴位置。两次主成分分析分别拟合,箭头朝向、坐标尺度乃至解释的方向都可能改变,简单计算同一细胞在两张图之间横向移动了几厘米没有清楚的含义。按条码比较邻居名单绕开了这个问题。Bioconductor 对单细胞主成分的说明
| 检查对象 | 原始视图 | 回归后视图 | 回看哪个文件 |
|---|---|---|---|
| 全体细胞的同谱系邻居比例 | 1.000 | 0.999 | graph_summary.tsv |
| 全体细胞的同相位邻居比例 | 0.999 | 0.348 | graph_summary.tsv |
| 缺氧样细胞的同目标邻居比例 | 0.611 | 0.903 | cell_audit.tsv |
在一个条码上把百分数换回细胞数
打开 cell_audit.tsv 查找 D1_01。回归前它的八个邻居都是同一相位,其中五个带缺氧样程序。回归以后八个邻居里只有两个是同一相位,却有八个带缺氧样程序。两张名单实际只重合两个条码。读者可以去 neighbor_edges.tsv 选中这个焦点,分别把两套视图中的条码抄出来,和 raw_scores.tsv 的参考状态逐一连接。如果只盯着“换掉了六个邻居”,并不能判断结果变好还是变差。对研究缺氧状态的人来说,新邻居加强了目标状态的聚集;对特意追踪复制期反应的人来说,原始视图里的相位近邻保存了另一部分信息。
全组也有相似的变化。对十八个缺氧样焦点,一共可以数到一百四十四条有方向的邻接记录,调整前八十八条指向另一个缺氧样细胞,调整后一百三十条符合条件。两条边可以指向同一个邻居,分母代表焦点发出的边数。若把所有非缺氧细胞也算进“标签一致率”,大量普通细胞之间的连边会推高总比例,稀有状态自身是否聚集就看不清了。输出专门保留只以目标细胞为焦点的行。此外逐位供者的结果也不完全一致,第二位供者调整后的这个比例约为百分之七十七,明显低于另外两位;应该打开其六个焦点的逐条边,看差别集中在哪些细胞,再谈跨患者重复。
哪套结果放主图,取决于文章要回答的生物学问题
如果问题是药物处理后哪类细胞仍然处于增殖程序,可以先在原始表达层统计每个供者、每条谱系内的周期分布,并在未回归视图上展示梯度。已有的处理时间、细胞染色或独立标记能帮助确认这种梯度。若问题是找出跨相位存在的缺氧样上皮状态,残差图可以成为主视图,但要同时交付原始标记和分供者的证据。特别要警惕全体目标细胞恰好都在分裂、而参照组恰好都静息的情形。这样的实验中没有同一相位内的比较依据,无论图多么分明,都很难仅靠回归区分缺氧程序与增殖活动。能够打破重合的额外取样会比再调一个参数更有解释力。
自己做一次反向练习。把 settings.json 的近邻数调大一些,使用另一个输出目录重新运行,比较目标细胞的同类比例是否因周围普通细胞进入名单而下降。随后把每位供者的原始相位和目标状态交叉列成表,找出哪些格子本来就样本很少,再决定能否把这套判断写进结果段。最终交付的图注写清楚打分层、是否回归、建图特征、邻居数及目标细胞分母,同事就能从一张图追到具体的基因和条码。需要对多批肿瘤样本反复保存两套投影和近邻结果时,可以用实测的单批峰值内存安排云生信科研服务器租赁。
