一个小群只有三十多颗细胞,值得在论文里写一节吗?与其规定“低于五十就删”,不如先问这三十多颗来自几个人、是不是同一条码上出现整套标记、有没有明显技术疑点,以及能否在一份没有参与挑选规则的数据里再次找到。本篇用血小板或巨核细胞相关的表达组合做一次真实演练。发现队列里有三十四颗候选;在另一个实验的二千七百个条码中原样套用规则,又找到十四颗。怎样从这些数字决定下一步值得投入什么验证,比给小群取一个动听的名字更重要。

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)
把候选写成可以交给另一个研究者的规则
发现队列来自 Kang 等的多供者外周血研究。我们只取未刺激条件,将公开计数对象和作者的基因型拆样表按原始条码对齐,得到八位供者的一万二千三百一十五个条码;这些条码在原表里均为 singlet。验证队列单独选用一位健康供者的 PBMC3k,两份数据来自不同研究,有不同的实验背景。规则预先写为同一条码里 PPBP、PF4、GP9 三个标记都至少检出一个计数。这里用这个组合代表一个稀有候选表型,没有把它预先命名成新细胞亚型,也没有选一串基因反复试到两份数据结果相撞为止。Kang 等原始研究登记 · 10x PBMC3k 原始材料
python -m pip install -r requirements.txt
python run.py --input example --out results
下载包中有所有纳入条码的标记原计数、原库深度、研究和供者,以及实际运行得到的双细胞分数。读者可以独立数出上面的四十八个候选,再任取一个到原文件中复算。若目标是一项真正新发现,应将候选所用的标记与门槛冻结,再把独立研究留到最后检查;若两边都被用来反复微调条件,就只能称为共同探索,还要另找一份真正留出的数据验证。固定一个条件可以验证表达组合的可重复性,不能单独证明它是过去从未发现的新细胞类型。
def rare_candidate(row,minimum=1):
return all(int(row[g])>=minimum for g in ("PPBP","PF4","GP9"))
小群究竟来自几个人
打开逐供者结果表。八位发现供者的三阳性分别是二到七颗,其中编号一二五六贡献七颗,两位贡献六颗,最少的两位各有两颗。没有一个人占到这三十四颗的一半。若所有候选都来自一位供者或同一管建库,下一步会优先查这位供者的捕获背景、上机与处理记录;在八个人身上都出现,则说明复核有了跨个体的对象。但是这八位出自同一研究、相近流程,某种反复发生的技术背景也能跨供者再现。多个供者支持和第二个独立研究支持,应分开写。
切勿把二到七这个范围直接当作供者之间的丰度比较。每一位捕获的条码数不同,输出同时给出其分母。在稀有事件下,二除以几百和七除以几千的先后顺序可能与单看细胞数不同;个别供者刚好没有检出,也可能是抽样不足。若最终研究的是疾病组较对照组是否富集,需要两组多位独立供者、相近的组织处理和合适的计数模型。这里的发现队列与一位健康验证供者,只用于检验同款表达组合能不能在别处看见。
| 两份真实数据用相同规则 | 八位发现供者的未刺激细胞 | 独立健康供者 |
|---|---|---|
| 全部纳入条码 | 12,315 | 2,700 |
| 三个标记每项至少 1 个计数 | 34,覆盖 8 位 | 14,覆盖 1 位 |
| 三个标记每项至少 2 个计数 | 7,覆盖 5 位 | 11,覆盖 1 位 |
| 主规则候选中,双细胞分数超过本研究第 90 百分位 | 2 / 34 | 7 / 14 |
为什么要给原始分数,而不仅给一个删除标记
我们在两个研究的完整基因计数上分别运行 Scanpy 的 Scrublet,用模拟双细胞比较真实条码的近邻结构。结果在下载包里逐条码提供,设置与重跑脚本均随附。为了挑选值得优先人工审核的点,对每个研究单独求全体分数的第九十百分位,候选分数严格超过它时给出复核标记。这个分位并不是双细胞发生率,也不能证明某颗细胞是双细胞。选择按队列分开计算,是因为两个样本的输入组成、过滤和计数深度不同,原始分数的参照范围也可能不同。Scanpy 的 Scrublet 参数和输出
def burden(scores):
observed=np.array(scores,float)
return float(np.median(observed)),float(np.quantile(observed,.90))
发现队列里三十四颗中有两颗高于本队列的参照,健康样本里却有七颗,占候选一半。这提醒我们,独立样本中的阳性既带来了复现线索,也带来了额外疑点。血小板相关 RNA 可能贴附在白细胞上,也可能通过环境 RNA 或双细胞出现在一颗白细胞条码里。发现队列有十四颗三阳性同时检出 CD3D 或 LST1,健康验证队列则有三颗。任一白细胞标记的一次检出还不能决定要删,但它与双细胞评分、完整的白细胞面板或其他独立测量可以共同帮助排出查阅顺序。
基因型拆样提供另一种视角。发现队列中的条码均在原作者的筛选中被保留为单供者来源,同一供者贡献的两颗细胞落入同一液滴时,这种方法往往不能单独辨别。健康验证队列只有一位供者,也没有和发现数据等价的基因型标记,表里显式写为未测。不能据此声称健康样本所有细胞都通过了基因型双细胞排查。表达型分数与基因型实验回答的技术问题有交集,不构成对真实身份的完整证明。
门槛变化后,究竟是哪几颗细胞还在
让每个基因至少有两个原始计数,发现队列从三十四降到七颗,供者覆盖从八位降到五位;独立队列从十四降到十一颗。要求每个基因至少三次,分别剩五颗和九颗。严格条件在两边损失的比例并不相同,这可能与覆盖度、细胞组成、单条码原始深度有关,不能当作两个研究中真实亚型含量的差异。复核时先把在两种门槛下都存在的具体条码列出来,再查只差一项基因的边缘者。如果多数条码只是某个高丰度背景基因的一次命中,后续验证计划应比多项都有充分原读数时更谨慎。
import csv
from pathlib import Path
with Path("results/candidate_barcodes.tsv").open(encoding="utf8") as handle:
rows = [r for r in csv.DictReader(handle, delimiter="\t") if r["study"] == "PBMC3k"]
for r in sorted(rows, key=lambda x: float(x["Scrublet_score"]), reverse=True)[:3]:
print(r["barcode"], r["PPBP"], r["PF4"], r["GP9"], r["mixed_marker"])
实验同事问“这群值得追吗”,可以据此给出一份带条件的答复。相同表达组合能够在两份独立研究检出,发现样本也分布在八位供者,因而适合留下条码做验证。与此同时,健康样本约一半候选处在本队列双细胞评分较高的一侧,部分候选带白细胞相关转录本,而表达组合本身没有区分血小板本体、黏附白细胞或更复杂的情况。下一步可优先复核同一捕获的空液滴背景、更多血小板及白细胞谱系标记,然后用适合样本的蛋白、成像或分选手段查附着与共定位。这样的结论给出了下一步行动的依据,也把尚缺的证据交代清楚。
做汇报时还可以附一张反例图,用同一色标把一个低分且多项标记较强的候选和一个高分、兼有白细胞标记的条码并排。两颗细胞都满足原规则,但验证优先级和最担心的解释不同,实验同事可以据此选择染色对象并保留合适的对照。
若要对多个外部图谱重复这一轮核验,可以先写下相同组织、测量平台和条码可追溯等纳入条件,避免只报告碰巧找到候选的研究。需要批量重算各库的双细胞分数时,可将完整矩阵、固定标记规则和本包脚本放进云生信科研服务器租赁环境,逐个保存所有队列的结果。
