假如一个基因在单核细胞里从十升到十二,在 T 细胞里从一升到二,把这两类细胞拼起来,均值还能下降吗?拿一张纸算一遍就知道可以。第一次采样时,每一百颗中有八十颗单核细胞,算出的均值是八点二。第二次只有二十颗单核细胞,另外八十颗换成了起点较低的 T 细胞,总均值变成四。同一位供者、同一基因、同样一百颗,两张图完全可以同时成立。下面从八百个教学条码重算这个例子,再把观察到的变化分成两部分,看看哪部分足以翻转方向。

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)
把混合前的两张小表找回来
数据中四位模拟供者各有两次取样,每份恰好一百颗已确认属于单核或 T 大类的细胞。每个条码的总文库深度都设置为一万,LST1 计数在每类均值周围小幅波动。这个设置为了单独展示细胞组成的作用,去掉了测序深度变化和独立样本数不平衡的干扰。真实的外周血和组织不会这么整齐,T 细胞中的少量髓系标记还要核对背景和双细胞;文中的具体表达数值来自模拟,不应拿去作为生物学阈值。
在开始画箱线图前,把每份样本拆成两张能共同解释均值的表。第一张记录有多少颗细胞属于每个类型,除以该样本中纳入的全部细胞得到权重。第二张记录该类型内部目标基因的平均表达。把同一行的权重乘上对应类型的均值,再把各类型相加,就等于直接对该份样本所有细胞求平均。这里的代数在固定表达尺度下成立,样本中每颗细胞的权重相同。它不是把全部原始分子加总后除以总文库大小;当不同细胞的库深度差得很远,这两个平均量代表不同的加权方式。
python -m pip install -r requirements.txt
python run.py --input example --out results
第一位供者的四个格子
打开类型内结果表,先筛出第一位供者。基线时八十颗单核细胞平均十个单位,二十颗 T 细胞平均一个单位。随访时二十颗单核细胞平均十二个单位,八十颗 T 细胞平均两个单位。两次各自的加权和分别是八百二十除以一百、四百除以一百。现在可以准确描述第一张图:在捕获并纳入的单核和 T 细胞联合总体中,随访的每细胞平均表达低了四点二。若删去“联合总体”四个字,这句话很容易被误读为患者的每一种细胞都下调了该基因。
| 第一位供者 | 单核细胞比例 | 单核均值 | T 细胞比例 | T 细胞均值 | 混合均值 |
|---|---|---|---|---|---|
| 基线 | 80% | 10 | 20% | 1 | 8.2 |
| 随访 | 20% | 12 | 80% | 2 | 4.0 |
| 两类固定各占一半的基线 | 50% | 10 | 50% | 1 | 5.5 |
| 两类固定各占一半的随访 | 50% | 12 | 50% | 2 | 7.0 |
程序还会把按比例重组的均值和直接用条码算出的均值比较。如果这两个值不相等,先别给差别写生物学解释。常见原因有按供者算比例却用全队列的类型均值、类型表过滤掉未定群但总体表保留了它们、不同图分别用了一加对数和线性数值。无论选取何种尺度,参与相乘和汇总的变量得对应同一批细胞和同一单位。如果想恢复线性计数尺度上的问题,不能把已经取过对数的均值当作线性均值还原。
def summarize(rows,types,gene):
values=defaultdict(list)
for row in rows:
if row["cell_type"] not in types or int(row["library_umi"])<=0:raise ValueError("Unrecognized type or invalid depth.")
values[row["cell_type"]].append(int(row[gene])*10000/int(row["library_umi"]))
if set(values)!=set(types):raise ValueError("A cell type is missing; its within-type mean cannot be estimated.")
size=sum(map(len,values.values()))
weights=np.array([len(values[t])/size for t in types])
means=np.array([np.mean(values[t]) for t in types])
observed=np.mean([v for a in values.values() for v in a])
if not np.isclose(observed,weights@means):raise ValueError("Weighted and direct means disagree.")
return weights,means,observed
固定组成,再问一次问题
现在给所有供者的所有样本套用同一种参考构成,两类各占一半。对第一位供者,基线的新均值是五点五,随访是七,方向变成上升。这个练习没有给任何条码篡改表达,而是把两类在比较中的权重固定了。其余三位供者也全部上升一点五。这个答案适合描述“假如两次比较的类型构成相同,平均表达会怎样变化”。实际捕获细胞的均值则仍由八点二变为四,适合描述这批回收细胞的总体。把两个答案写在相邻的图版,比在讨论部分笼统说一句“校正了细胞类型”更清楚。
各占一半只是可手算的参考,不代表这两类在外周血中应各占一半。做正式项目时,可以用事先定义的基线队列构成或有依据的目标人群构成;不管选择哪一套,两组都使用相同的权重,而且要把它保存成表。可以将配置里的单核权重改为零点八,T 细胞改为零点二。用第一位的数字重新算,预期两次的标准化均值分别为八点二与十,差值变为一点八。这个变化来自研究者改变了目标人群,与样本被重新测序无关。若某类型在一位供者某次完全没捕获,权重再合理也无法从那个空格估计均值。
把下降的四点二分清来源
还有一种常见提问:在这份数据实际观察到的总变化里,组成和类型内表达各贡献了多少?脚本用对称分解。先把每个类型两次的均值取中点,乘以该类型比例的变化后求和,得到组成项;再把每个类型两次的比例取中点,乘以类型内表达变化后求和,得到类型内项。两项相加精确等于随访混合均值减去基线混合均值。这里选择两侧中点,是把同时改变比例和表达产生的交叉部分平均分配;若项目选用基线作唯一参照,所得两个分项可能不同,但总变化仍要对得上。
def decompose(w0,m0,w1,m1):
composition=float((w1-w0)@((m1+m0)/2))
expression=float(((w1+w0)/2)@(m1-m0))
total=float(w1@m1-w0@m0)
if not np.isclose(composition+expression,total):raise ArithmeticError("Decomposition does not close.")
return composition,expression,total
第一位供者的组成项为负五点七,类型内项为正一点五,两项之和正是负四点二。第三位的单核比例变动小一些,组成项为负三点八,抵消类型内增加后,总体只降了二点三。第四位的组成项为负六点六五,总体降了五点一五。这样可以具体回答组会上那句“是不是少数样本在带方向”:在这组教学数据里,四个人的组成项都大于类型内项的绝对影响,观察方向一致。真实队列若只有一人如此,就应给出其余人的两项数值和采样信息。
用自己的基因时,先看零发生在哪里
这个练习可以换成上皮标记、免疫标记或一个事先选定的基因集。只要某类细胞基线高,而它在两组中的占比变化明显,就值得先做这张拆分表。若某样本里有几十颗目标细胞,但目标基因在它们中全部为零,均值是可观察的零;若根本没有捕获这类细胞,它的类型内均值应留空。这两种情况会给标准化造成完全不同的问题,不能靠把空格都填成零来得到一张完整的热图。可以先限制在两侧都有足够覆盖的共同类型,同时报告这个限定使结论适用于哪一部分人群。
做论文中的组间推断时,恢复真实的独立供者层级,给每个人保留一组实际和标准化结果。如果关注某一类细胞内部的转录响应,可在该类内按供者汇总原始计数,再用符合配对或非配对实验设计的模型估计表达变化。若关注整体组织的 RNA 贡献,还要考虑每种细胞的 RNA 含量、组织解离偏差和捕获效率。组织表达去卷积研究正是把这类权重当作实际测量问题处理,单细胞中的捕获比例不能自动替代组织真实比例。MuSiC 多供者参考的原始研究 · muscat 类型内差异分析示例
这八百行数据可以在普通电脑上跑。扩展到整幅图谱、逐患者计算数千个基因的两类贡献时,可以把相同的类型映射、固定权重和脚本带到云生信科研服务器租赁,保留每个基因能追溯的中间表。
