单细胞分析

一位患者贡献了半数细胞,怎样看出聚类是否被他主导?

作者:发布于 2026-11-17约 8 分钟阅读
四位供者等额抽样,检查单供者群的条码稳定性、样本覆盖和标记

四位患者合起来有二百四十颗细胞,第一位就占了一百二十颗。聚类图里有一个干扰素反应明显的群,标记很漂亮。要判断它是否由这位患者主导,需要分开做两项检查。一项问如果每位患者只贡献相同数量的细胞,算法还能不能找回这个群;另一项问这个状态有没有在多位患者身上出现。一个群可以在四十次重新聚类中都被找回,却仍然只有一位患者提供了证据。这个例子值得自己跑一遍。

四位供者等额抽样,检查单供者群的条码稳定性、样本覆盖和标记

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)

先看每个群的来源,再决定抽样单位

完整数据里四位供者分别贡献一百二十、四十、四十、四十颗细胞。资料中提供固定的六维主成分坐标、供者标签、八个教学标记的计数和计算归一化所需的细胞总量。先在所有细胞上聚类,得到一份可以参照的全量分区,然后记录各群中每位供者贡献了多少。这里有意固定主成分空间与四个聚类中心的数目,用 K-means 演示样本比例怎样影响给定空间内的分组;如果项目采用图聚类,可在每次抽样后用相同参数重建其邻居图、重新运行原来的聚类算法,再用相同的条码匹配方式复核。scikit-learn 的 K-means 实现

运行默认命令后先打开 full_composition.tsv。第一群九十二颗,来自第一位患者的有三十九颗,其余三位也都有十几颗。第三群同样有三十九颗来自第一位患者,但它全群一共只有这三十九颗,另外三人的贡献全部为零。相同的“某患者贡献三十九颗”在不同分母下完全是两种证据。还要问的是该患者在完整数据里的占比本来就有多高。如果某群恰好有一半来自第一位,并不比全队列一半的背景更偏;若某群全部来自他,就该回查病理背景、取样时间、建库和独立重复。

python -m pip install -r requirements.txt
python run.py --input example --out results

每人等额抽取,但不要把四十轮当成四十个病人

默认每位患者每轮无放回抽二十五颗,一轮因此有一百颗,第一位的份额从二分之一降为四分之一。每一轮内部不重复,同一条码可以出现在不同轮次。脚本使用固定的随机数序列决定抽到哪些细胞,并在每轮用相同聚类初始化设置,避免种子变化与抽样效应同时改变。所有抽到的条码、原标签和本轮新分区都写入 sampled_memberships.tsv,共四千行抽样记录。它们仍然来自最初那四位患者,只能用来检查结果对抽取哪些细胞有多敏感。

def sample_donors(donors, quota, rng):
    selected=[]
    for d in sorted(set(donors)):
        pool=np.flatnonzero(donors==d)
        if len(pool)<quota:raise ValueError(f"{d} has only {len(pool)} cells for quota {quota}.")
        selected.extend(rng.choice(pool,quota,replace=False))
    return np.sort(selected)

若换自己的项目,先列出每位供者在目标谱系中的可用细胞数。某位患者只有五颗,默认配额二十五便无法不放回抽满。可以降低配额,或者在记录纳入标准后分析覆盖充分的供者,并把其余人单独描述。擅自把五颗复制成二十五颗会重复计算完全相同的位置,改变局部密度。有配对治疗前后样本时,还需提早确定抽样是按供者、按供者和时间的组合,还是按取材部位进行,不同选择对应不同的研究问题和分母。

同一个群换了数字,靠共同条码找回它

重跑聚类后,算法给群编号的次序可能改变。第一轮中全量第三群恰好对应新分区的第四个编号;看新旧标签数字相同与否,根本不能判断群是否消失。可以把全量成员限制到本次抽中的条码,然后用“交集数除以并集数”计算每对原新群的 Jaccard 相似度。代码为所有配对建立一张表,再求整体匹配总分最大的对应,保留低分和剩余的交叉数。这比把从未进入此次抽样的细胞也计入并集更公平。读者如果怀疑某群被拆成两半,应该看 splits.tsv 的全部交叉记录,不能只看一对一的最佳匹配。Bioconductor 的聚类稳定性检查

def match_on_overlap(reference, fitted, size):
    scores=np.zeros((size,size))
    for a in range(size):
        for b in range(size):
            old,new=reference==a,fitted==b
            union=(old|new).sum()
            scores[a,b]=(old&new).sum()/union if union else 0
    aa,bb=linear_sum_assignment(-scores)
    return [(int(a),int(b),float(scores[a,b])) for a,b in zip(aa,bb)]

以第一轮第三群为例。原来三十九颗中这一次抽到七颗,匹配到的新群也有七颗,七个条码全部相同,所以相似度为一。不能把结果误写成新分析“找回原来三十九颗中的百分之百”。它找回的是本次可观察的七颗。程序还记录两组不同的分母:全四十轮中有多少轮至少抽到过一颗原群细胞,以及多少轮的匹配分数达到教学门槛零点六五。如果一轮恰好没有抽到原群成员,缺乏证据进行恢复,不能把它解释为这个状态在该患者组织中消失。

原群或设置 条码带来的结论 标记与供者带来的补充
全量第三群 39 颗均来自 D1 ISG15 与 IFIT1 排在前面
每人 25 颗,重复 40 轮 第三群 40 轮均被抽到并达到匹配门槛 每次仍由同一名患者支撑
每人 5 颗,重复 40 轮 第三群 33 轮有成员,31 轮匹配达标 达标轮中有 30 轮保留两个相同标记

减少每人细胞数,观察哪里最先失去证据

保持同一份输入和同一套参数,用以下命令将配额降到每位五颗,把结果写到另一个目录。资料包另附这组设置的验算表。第三群在七轮中一颗成员都没有被抽中,有成员的三十三轮中三十一轮达到条码匹配门槛,而这三十一轮中有三十轮保留了相同的两个首位标记。三个数分别对应被抽中、保住分区、保住表达特征,不能合成一个模糊的“出现了多少次”。特别注意标记一致性在匹配成功的轮次中计算,若改用四十作为分母,应在图表中明确说明。

python run.py --input example --out results-five --per-donor 5

标记怎样核对?脚本使用同一批示例基因,按全转录组总量做每万归一化、取对数,再比较候选群与本轮其余细胞的平均对数表达,按差值给出前两位。这里检查名字集合,不强制前两位排序相同。同一组增殖标记在不同轮中可能互换第一和第二名,而整体状态依然保留;如果一个标记被换成另一套完全不同的程序,就该追查是候选群混入别的谱系,还是抽样后参照群的组成也变了。脚本既保留全量排名,也写每一轮实际选中的两个名字,便于检查这种差别。

怎样在报告里区分患者主导与抽样不稳定

这个例子里默认配额下四个群都能稳定恢复。第三群在四十轮中很稳定,两种干扰素标记也很稳定,但其三十九颗细胞始终来自 D1。因此最稳妥的描述是第一位供者内有一个可重复分出的候选状态,当前其他三位供者中未见同群条码。不同供者测得的目标谱系太少、建库条件不同,都会影响这句话可推广到什么范围。若要证明更普遍的反应,需要同一供者的独立样本、更多患者、其他实验读数,或者在具有足够覆盖的样本中有计划地复查相同标记组合。

还可以把第一位患者完全留出,在其余患者中重新查标记和邻居,再判断原群是否有对应状态。这样的问题与每人等额抽样不同,前者拿掉了独有信息的来源,后者始终给每人留一份数据。若原始特征选择或整合模型本身可能因第一位患者占比过高而改变,还应从原始矩阵在新抽样上重新选特征、重算投影,另做一组完整流程的敏感性检查。先在固定空间读懂第一层问题,才知道值得为哪些样本重跑较大的对象。需要在多次全流程重算中保存模型与条码时,可用一轮实测耗时和内存安排云生信科研服务器租赁。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗