单细胞分析

用 Seurat sketch 分析 130 万个小鼠脑细胞,怎样检查有没有漏掉稀有群?

作者:发布于 2026-11-17约 12 分钟阅读
全图谱七个公开标记的实际计数和等额普通抽样与杠杆得分抽样的候选保留数

一张百万级小鼠脑图谱上,一个占比不到百分之一的群体只剩几个点,怎样知道是在测序时就没捕到,还是后来抽样时漏掉了?我们在公开的胚胎小鼠脑计数上做了两轮比较。先用真实子集弄清怎么数,再让整个一百三十万细胞图谱参与拟合,各抽五万颗并投回全集。最意外的一步发生在抽样之后:杠杆抽中了近三千个三阳性候选,如果只认最纯的一个簇,留出候选中却只能找回十八个。即使不下载四个多吉字节的原矩阵,读者也能用包里的逐细胞数据独立复算全部分子、分母和投影结果。GSE93421 原始数据

全图谱七个公开标记的实际计数和等额普通抽样与杠杆得分抽样的候选保留数

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“漏掉”找一个能回头检查的定义

原文件有一百三十万六千一百二十七个条码、二万七千九百九十八个基因条目。先约定一条能从原始计数直接核对的规则:同一条码里 C1qa、C1qb 和 Tyrobp 都至少出现一个计数,记为一个待追踪的髓系候选。只检出 C1qa 的口径会宽一些。分别数,全集有八千五百五十九个条码检出 C1qa,三者同时检出的有六千三百四十八个,占全集约百分之零点四九。原数据按文库拼接,条码末尾的数字要一起保留。去掉后缀再连接表达和投影结果,可能把不同捕获里的相同条码主体配到一起。

def release_candidate(row):
    return all(int(row[g])>0 for g in ("C1qa","C1qb","Tyrobp"))

这条规则给了我们一把可以重复使用的尺。单个基因会有环境信号,真实细胞也会因为覆盖不足而缺少其中一个计数。三个标记来自同一份表达矩阵,找回三阳性条码衡量的是对这个表达定义的覆盖,不能独立确认细胞身份。如果读者关心发育时期的某个稀有神经元状态,可以另选经独立资料支持的标记组合,同时选一组相邻类型的标记记录冲突。包中还保留 Neurod6、Gad2、Reln 和 Olig1 的原计数,方便尝试另外的规则。改变门槛后要重新计算整个人群的候选数,不能沿用本文的分母。

把“抽中”与“投回去以后认出来”写成两列

原文件有二十六亿多个非零计数。提取脚本按连续条码小块读取,从稀疏矩阵的列指针定位每块的起止位置,用整数偏移找回原始条目。一遍扫描导出每个条码的七个标记、总计数、文库后缀和是否进入轻量子集。轻量子集等概率无放回抽取一万六千个条码,没有按标记补足稀有细胞,里面自然包含七十个候选。子集的完整表达参与建模,随文的七基因小表用来查结果。把七个标记本身当成全部输入重新聚类,会改变题目。

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

解压后用这两行命令,可以从真实逐条码计数和两个已经跑好的投影导出重新得到统计表。希望从原矩阵训练,就按下载包的《数据来源》下载原始文件,先执行提取脚本,再执行下面的 R 命令。它在真实子集的全基因表达上分别运行随机抽样和杠杆得分抽样。两次各取一千五百颗,采用相同随机种子、特征数、二十五个主成分和相同的聚类参数。两种方法选中的条码和据此重新选出的具体高变基因可以不同,记录相同的特征数并不意味着它们共享全部特征或簇编号。Seurat 的 SketchData 参数

python extract_brain.py GSE93421_brain_aggregate_matrix.hdf5 public
Rscript run_sketch.R public public/all_marker_audit.tsv.gz rebuilt 1500 35
obj <- SketchData(obj, ncells=budget, method=method, sketched.assay="sketch",
                    seed=seed, verbose=FALSE)
  DefaultAssay(obj) <- "sketch"
  chosen <- colnames(obj[["sketch"]])
  obj <- FindVariableFeatures(obj, nfeatures=2000, verbose=FALSE)
  obj <- ScaleData(obj, verbose=FALSE)
  obj <- RunPCA(obj, npcs=25, seed.use=seed, verbose=FALSE)
  obj <- FindNeighbors(obj, dims=1:25, verbose=FALSE)
  obj <- FindClusters(obj, resolution=0.8, random.seed=seed, verbose=FALSE)

随机抽样直观地帮助我们判断,在当前预算下按总体比例取细胞能看到什么。真实子集七十个候选中随机抽到四个,杠杆路线抽到四十个。杠杆得分关注细胞对表达空间的贡献,因此可能为少见且表达有特点的区域留出更多名额。它不读取本文的三阳性字段,也没有保证每个稀有标签都会得到特定名额。假如某个候选与数量较大的近邻表达很像,或者文库异常主导了表达变化,读者仍需单独核对。反过来,用四十除以一千五百来估算原组织里的髓系比例,也忽略了抽样的选择机制。Seurat 的百万小鼠脑 sketch 案例

提前规定用哪个簇找回候选

抽样后在所选细胞上建图、聚类,再用 ProjectData 把簇映回子集全部一万六千颗。若在完整结果里先翻遍所有簇,挑一个刚好覆盖最多阳性的簇来算成绩,答案里已经混进了事后选择。我们只看被抽中的条码,选其中三阳性比例最高的簇作为目标簇;比例相同先比较阳性个数,再按固定顺序打破平局。若样本一个候选也没有,就记录未找到目标。选定簇后冻结规则,最后才打开未抽中条码的标记列。每个条码的投影只归到该轮的簇号,两个模型里相同的数字并不代表相同细胞群。Seurat 的 ProjectData 定义

obj <- ProjectData(obj, assay="RNA", sketched.assay="sketch", sketched.reduction="pca",
                     full.reduction="pca.full", dims=1:25,
                     refdata=list(projected_cluster="seurat_clusters"), verbose=FALSE)
  assigned <- as.character(obj[[]][all_cells,"projected_cluster"])
  if (length(assigned) != length(all_cells) || anyNA(assigned)) stop("ProjectData missed cell labels.")
def candidate_cluster(projected, candidates):
    tally=defaultdict(lambda:[0,0])
    for cell,(sampled,cluster) in projected.items():
        if sampled:
            tally[cluster][0]+=int(cell in candidates);tally[cluster][1]+=1
    if not tally or max(a for a,_ in tally.values())==0:return None
    # Tie break: high marker fraction, then more candidates, then stable cluster ID.
    return min(tally,key=lambda k:(-tally[k][0]/tally[k][1],-tally[k][0],k))
在真实 16,000 细胞子集上独立核对 普通随机抽样 杠杆得分抽样
各自抽中的三阳性条码 4 / 1,500 40 / 1,500
未抽中的三阳性,有多少被投回目标簇 13 / 66 27 / 30
被投向目标簇的非样本条码,有多少三阳性 13 / 529 27 / 28

普通抽样选出的目标簇是八号,杠杆路线的是十二号。拿普通路线从左往右看,七十个候选里,四个已经抽中,还剩六十六个;其中十三个被投到八号。另一个问题是,八号一共接收了五百二十九个未抽到的条码,这十三个候选只占很小比例。杠杆路线有三十个候选留在样本外,其中二十七个被投到十二号;该簇共接收二十八个非样本条码。两个问题的分子恰好相同,分母的来源完全不同。实际项目只报“找回了九成”而不报这个群网罗了多少其他细胞,很难决定下一轮要不要把整群都送去人工注释。

投回整个一百三十万图谱,为什么优劣顺序会翻转

这次让原始全集在磁盘上参与归一化和特征选择,再用相同种子、预算和模型参数各抽五万颗。两轮均用 Seurat 将分群投回全部一百万以上条码,逐行核验投影标识与原图谱的条码一致。普通路线直接抽中二百四十七个三阳性,杠杆路线抽到二千九百四十四个。只按训练样本里的最高阳性比例选一个簇,普通路线选中二十三号,在未抽到的六千一百零一个候选里找回五千八百六十七个。杠杆路线选中二十六号,在三千四百零四个留出候选中只找回十八个。两种方法的留出集合不同,同一次的抽样命中和样本外覆盖应始终并排报告。

把下载的全集逐簇表按训练阳性比例排序,就能看出差异从哪里来。二十六号训练的九十六个条码全部三阳性,称为最纯簇很准确;然而六号簇二千八百八十四个训练条码里有二千七百九十六个三阳性。指定“只收最纯的一个簇”就把这整个大簇留在了门外。作为事后敏感性分析,改用训练中至少十个三阳性且占比至少一半的簇。普通路线仍只选中二十三号;杠杆路线选中六号与二十六号,未抽中条码共有三千三百二十六个投向这两簇,里面三千一百四十八个三阳性,占所有留出候选约百分之九十二点五。这个补充分析解释了丢失位置;若要比较哪条选簇规则更适合新数据,应在新样本上冻结规则再检验。

python summarize_full.py --markers example/all_marker_audit.tsv.gz --projections example/full_projections --out full-check

挑一颗落在目标簇外的细胞

打开候选条码表,取杠杆路线中未被抽取、也没有投到目标簇的一行。复制完整条码,到原始标记表里核对三个计数与总计数,再到相应投影文件找它的簇,查看同簇其他候选与阴性样本。若发现某个样本的大量边缘细胞都落进同一个邻簇,下一步可以核对文库来源、邻簇的其他髓系基因和测序深度。如果同一候选只是刚好三个基因各一个计数,则值得把门槛调高后重新审阅。打分、筛选、投影用到的表全部保留条码,才能带着某个反例和实验同事讨论。

还有一个经常被误记的分母。重复不同种子或不同抽样预算时,每次抽中的候选数都会改变,所以每轮留给投影评价的候选数也不同。先逐轮保存直接抽中的个数、留出的个数以及归入目标簇的个数,再比较哪些条码反复掉队。身份确实经过独立实验确认的细胞可以另设一列,从中再划出不用于挑簇的核验集合。这样不仅能评价某组表达标记有没有被保留,也有机会检验被分到这一群的细胞在生物学上是否一致。

换成自己的图谱时,保留全体条码的顺序、输入文件校验值、物种基因注释、种子和每轮抽样预算。可以先在小子集上证实条码连接和分母无误,再用同一脚本让全集参与拟合;两个规模的投影表需要分目录,严禁把子集簇号补到全集当作计算结果。需要多次读取百万细胞矩阵、保存磁盘格式并重跑多档抽样预算时,可以将原矩阵与下载包的脚本放进云生信科研服务器租赁环境,和合作者复核同一份条码清单。

把知识用于当前任务

把方法直接跑起来

使用单细胞在线分析入口,减少环境配置和重复操作。

打开单细胞工具仍有疑问,联系客服 ↗