热图上两个基因在 C 组都是深红色。实验同事指着这两个格子问,是否可以选表达量更稳定的那一个去做验证。先看一眼图例。如果它标的是逐基因标准分,两个红格可能对应相差四十倍的原始尺度均值。下面用九颗细胞手算这个例子,把同一块表达矩阵画成两张图。每个格子都能在下载的表格里查到原始分母、检出比例和计算顺序,选择验证基因时就有数值可依。

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)
先给热图的每个格子一个单位
练习的 A、B、C 三组分别有四、三、两颗细胞。每颗细胞在完整基因表上的总计数均为二百。程序先将每个基因原始分子数除以该细胞的总数,乘以一万,得到在线性尺度上的每万分子归一化数值,再用群内所有细胞求算术平均,包括该基因未检出、计数为零的细胞。示例把总数安排得一样是为了方便纸笔验算,代码仍从每列完整计数求总数。换成真实矩阵时,每颗细胞有自己的分母,不能只把展示在热图里的几个标记拿来求总量。
将压缩包完整解压,在资料目录运行示例。per_cell.tsv 保存每个展示基因在每个条码上的归一化值;heatmap_values.tsv 保存每个“基因、群”组合的所有指标。比如 GENE_HIGH 在 C 组两颗细胞中的原始值分别是七十二和八十八,乘以五十后是三千六百和四千四百,平均四千。GENE_LOW 在同两颗细胞中都是两个分子,对应的归一化均值为一百。到这里两者相差四十倍,且两颗细胞都检出这两个基因。读图时应明确这个比较是检测到的相对转录本丰度,绝对分子数和蛋白丰度还受测量方式影响。
python -m pip install -r requirements.txt
python run.py --input example --out results
为什么相差四十倍却涂着相同的颜色
把三组均值按行抄下来。GENE_HIGH 是一千、二千、四千;GENE_LOW 是二十五、五十、一百。后面一行乘以四十,恰好等于前面一行。现在对每行分别求三个组均值的平均数,拿每个格子减去行平均,再除以这行的标准差。这个操作把变化量改写为“偏离本基因行均值多少个标准差”。正比例拉伸整行时,分子和分母一起放大,所以两行得到相同的标准分。C 组两个格子约为一点三三六,A 组约负一点零六九。这种颜色告诉你两个基因的相对变化形状相同,原来的量级需要从另一张图读取。
def row_zscore(means):
dev = np.std(means, axis=1, ddof=0)
z = np.full(means.shape, np.nan, dtype=float)
variable = dev > 1e-12
z[variable] = (means[variable] - means[variable].mean(axis=1, keepdims=True)) / dev[variable, None]
return z
这里用三个群均值的总体标准差,即方差分母取三。许多工具的标准化默认口径不同。例如在 R 里对已经中心化的数值使用通常的 scale 缩放时,常用样本标准差;要按行缩放常常还需要转置。即便输入完全相同,得到的小数也可能稍有差别。还要确认标准化是在所有细胞上先做,还是先算群平均再跨群做。如果先按所有细胞算,细胞数多的群会在均值和方差上有更大权重。本例先平均再沿群标准化,三组无论包含几颗细胞都对行标准差各贡献一个值。R 的中心化与缩放定义
| 读到的格子 | 群平均归一化值 | 行标准分 | 还需看什么 |
|---|---|---|---|
| C 组 GENE_HIGH | 4,000 | 1.336 | 两颗细胞各自的值及检出情况 |
| C 组 GENE_LOW | 100 | 1.336 | 同一种单位下,两行量级不同 |
| 三组 FLAT | 每组都是 150 | 缺失 | 稳定表达导致标准差为零 |
| B 组 SPARSE | 133.3 | 1.414 | 三颗中只有一颗检出 |
检出率和色标各能回答什么问题
先看 FLAT。它在三个组都平均一百五十,行标准差为零,照公式除法无法完成。因此图中用灰色并标缺失,左边的线性均值图仍保留一百五十。没有在标准分图着色,与基因在所有细胞没有表达是两回事。再看 SPARSE。B 组的三颗里只有第一颗有八个原始分子,归一化后四百,另外两颗为零。三颗一起平均只有约一百三十三,但跨组三个均值一比较,B 就是这一行最红的格子。若据此声称 B 组大部分细胞都表达,高度集中的单个条码会被隐去。把每格的平均和检出比例一起交付,可以避免这种解读。
def group_means(linear, label, groups):
selected = [label == g for g in groups]
if not all(mask.any() for mask in selected):
raise ValueError("A requested group has zero cells; a missing group cannot be assigned zero expression.")
return np.column_stack([linear[:, mask].mean(axis=1) for mask in selected])
读者可以用一段很短的自检操作找出这个条码:在 per_cell.tsv 先筛选 SPARSE,再筛 B,按归一化值排序。回到原始计数找那颗细胞的测序深度,核对它是不是异常高的个体。示例中细胞深度相同,差异来自有无计数;真实数据中技术捕获效率和低表达的随机检出会影响零的比例。特别是一个组只有两三颗时,多一颗或少一颗都会明显改变颜色。一个整齐鲜艳的图格,可能只基于一颗细胞,因此图注或附表要明示每个组的实际分母。
先取平均,还是先取对数
输出表还有两列名字相似的数据。log1p_mean 是先在线性尺度上求均值,再对均值加一取自然对数;mean_log1p 则给每颗细胞的归一化数值分别加一取对数,再求群平均。拿稀疏基因的 B 组举例,第一种结果约四点九零,第二种约一点九九八。同一组、同一个基因,差别来自极高单细胞的数值在求平均之前还是之后受到对数压缩。如果基因在每颗细胞的值都一样,这两种次序会碰巧得到同一个结果,仅凭平坦基因测试无法区分它们。选一个含零又有阳性的格子手算,更容易了解软件真正展示了什么。
Seurat 的 AverageExpression 在对存放对数归一化数据的 data 层进行分组平均时,会先还原到线性尺度处理。若你导出的是已经缩放的矩阵、已经求过群均值的表,或者其他软件的自定义图层,就要核对具体的数据层、对数的底以及是否又进行显示变换。对着图只看到“平均表达”四个字,无法倒推出以上步骤。已经存下线性均值的项目可以另用对数色标改善读图,但应在色条上写明单位或变换,避免给相同名称的数字赋予两种含义。Seurat 的分组平均表达说明
有多位患者时,还能比较两种聚合口径。将同一组的所有细胞放在一起,细胞多的患者自然占更大权重;先逐患者求组内均值,再把患者等权平均,回答的是典型患者的情况。两张表都可以做成逐行标准化热图,颜色本身无法告诉读者用了哪一种,所以应把供者层级和每位患者的细胞数一并保存。
何时切换色标,怎样把结果交给同事
如果问题是从一组候选中找“哪个基因在 C 的观测平均更高”,应使用相同归一化口径和共同色标的线性均值或注明变换的数值表。若问题是“哪个基因在同一套样本中相对自身更偏向 C 组”,按行标准化的图可以突出小幅但一致的模式。两种图并排放,再补上检出率,就能区分高丰度且广泛检出的标记与仅少数条码抬高的候选。真实样本中,不同基因的捕获效率、转录本特性等也会影响观察到的丰度比例,选四十倍差的候选去做实验时,仍需结合引物、组织定位或蛋白层证据。
再做一个会影响报告的练习。复制输入目录,把要展示的组由三组改成 A 和 C,保留同一套计数。两组的线性均值原样保存,行标准分却会改变,因为行均值和标准差使用的参考集合变了。若把一张全队列标准化热图和一张仅病例的热图拼接,要明确它们是否共享尺度,特别是图例都截在正负二时。最后把群名、基因编号、单位、取对数顺序、色标截断和样本细胞数写入附表,读者便能从图格找到原始数量。需要在多队列反复导出大表达表时,可以先用小块矩阵测峰值内存,再决定是否使用云生信科研服务器租赁。
