火山图上有个刚过显著线的点。你把它带到组会,临床同事问:“如果拿掉反应最强的那一位,其他患者还支持它吗?”拿出所有细胞的小提琴图,常常很难回答这句话。这次我们从八位供者的十六份单核细胞汇总计数出发,跑一次完整模型,再按人做八次留出。每一轮都重新估计效应和离散度,最后把火山图上的一个点连接到具体患者、具体计数和实际变化幅度。

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)
先说清楚一次到底拿走什么
数据来自公开的离体干扰素实验,八位供者分别提供对照和刺激材料。提取五千六百九十七个经典单核细胞,把原始基因计数按供者和条件加和,形成十六列。完整模型在同一供者内比较刺激相对于对照的变化。在这种设计中,留出一位供者,必须将其对照和刺激两列一起移开,剩下七个完整的供者对。只拿走对照侧或只拿走库深度最高的两颗细胞,并没有检验“这个人对结论有多大影响”。下载包里附了聚合前的来源、聚合代码和十六列计数,默认重跑无需获取整个研究。Kang 等的原始研究
这里把完整数据上具有足够表达的三千七百零九个基因固定作一次敏感性比较的范围。每轮都用相同的条件方向、相同的供者配对设计和相同的基因列表,在剩下的样本上重新计算归一化因素、离散度和模型。否则,某个基因从结果表里消失时,就分不清是表达过滤改变还是供者影响。筛选固定在完整队列上属于对同一数据的诊断,不是用留出样本预测新患者;如果研究目标是验证预测能力,训练折内的筛选和独立验证需要另作设计。edgeR 软件及配对设计说明
python -m pip install -r requirements.txt
python run.py --input example --out results
# 从原始汇总计数重新估计全部九个 edgeR 模型
Rscript fit_influence.R example example/fit
estimate <- function(omitted) {
keep <- s$donor != omitted
meta <- s[keep,]; design <- model.matrix(~factor(donor)+condition,data=meta)
y <- calcNormFactors(DGEList(x[,keep,drop=FALSE]))
y <- estimateDisp(y,design)
fit <- glmQLFit(y,design,robust=TRUE)
test <- glmQLFTest(fit,coef=match("conditionstim",colnames(design)))
tab <- topTags(test,n=Inf,sort.by="none")$table
data.frame(gene=rownames(tab),omitted=omitted,logFC=tab$logFC,P=tab$PValue,FDR=tab$FDR)
}
results <- do.call(rbind,lapply(c("none",sort(unique(s$donor))),estimate))
给火山图加一种真有用的颜色
横轴保留完整队列的效应,纵轴画该次拟合校正后概率的负对数。每个基因原来只有一个点,现在额外给它一个颜色,表示八次留出中“新效应与完整效应之间最大的绝对差”。同时保存是哪位供者产生了这次变化、其余七次的最小和最大效应,以及该轮的校正结果。颜色能帮助挑出目标,但颜色本身不会告诉你被留出的患者是顺着总体方向、逆着总体方向,还是因为细胞多而具有较高信息量。点开完整行,比较效应向零靠近还是离零更远。
def influence(full,removals):
omitted,affected=max(removals.items(),key=lambda item:abs(item[1][0]-full[0]))
vals=[r[0] for r in removals.values()]
return omitted,affected[0],affected[1],min(vals),max(vals),abs(affected[0]-full[0])
RWDD4 是一个可以当场查的例子。完整八对估计约为负零点六七,校正后概率约零点〇三五。留出编号一〇一五的供者后,效应变为负零点二五,校正后概率约零点三八七;这个基因八轮留出的效应从约负零点八一到负零点二五,方向一直为负。因此可以说这位供者对估计幅度影响较大,七位其余供者的结果仍然同向但接近零。直接写“只有他一个人在下降”却不符合逐人数据,其他几位也有下降,只是幅度和一致性不同。
| 基因 | 完整模型 log2FC | 去掉供者 1015 后 | 应回去看什么 |
|---|---|---|---|
| RWDD4 | −0.67 | −0.25 | 下降被明显削弱,查该人的两侧读数 |
| KIAA0232 | −0.83 | −1.38 | 去掉同一人后,下降反而变强 |
| ISG15 | 7.61 | 7.76 | 八种留出均保有明显正效应 |
同一个患者,可以同时把两个基因拉向相反方向
查看 KIAA0232,完整效应约负零点八三,留出一〇一五后却变成负一点三八。同样是火山图上颜色较亮的点,它说明这位供者部分抵消了其他患者的下降。假如把“对某个基因有高影响”直接翻译为“这位患者应该从研究里删除”,会同时改变许多无关的基因和问题。更合理的跟进是先检查该人的实验身份、两侧样本是否贴错、是否来自特殊取材部位,以及目标细胞类型的回收数量和计数深度。若没有独立的排除理由,就让这个病例留在主分析中,把敏感性如实呈现。
另一个对照是 ISG15。完整模型效应约七点六一,拿走任何一位后的八个值约落在七点三七到七点九二之间。即使其中某一轮的校正概率发生了几倍变化,方向和效应规模保持一致,更适合表述为“这批数据的强响应不依赖任一名供者”。这句话仍然只适用于所测的八人和这项刺激实验。八轮共享大部分样本,不能把它们算作八份独立队列来扩大外推范围。
用逐人表达差解释模型为什么会动
打开逐人表,供者一〇一五的 RWDD4 在基线和刺激侧分别约为四点九三和三点〇一,单位是按有效文库校正、带先验计数的以二为底对数每百万计数;两侧差约负一点九二,在八人中下降最多。其余七人有的下降,有的略升。如果只画合并条码的点,单个细胞的数量变化会遮住这个结构。配对散点图让你检查每个基因是否确实有该患者两侧的原始样本,以及那条长线是由低基线、强响应还是单侧异常造成。色标和标题要保留“每位患者”的单位。
随文图中还加了一个能自行验算的区间。对所有患者各自的对数表达差求等权平均,再按患者间差值的变异,用小样本的 t 分布计算这个均值的百分之九十五区间。RWDD4 的八人平均差约负零点四五,区间约负一点〇五到正零点一五;去掉一〇一五后平均差约负零点二四,区间约负零点六五到正零点一六。这是逐人对数表达差的描述性区间,与使用原始计数和离散度的模型系数具有不同的权重及估计方式。图中的两种点和误差线已分别标识,不能把这个区间贴在 edgeR 系数上当作它的置信区间。
def paired_interval(deltas):
x=np.asarray(deltas,dtype=float)
if len(x)<2:raise ValueError("A paired mean interval needs at least two donors.")
mean=float(x.mean());half=t.ppf(.975,len(x)-1)*x.std(ddof=1)/np.sqrt(len(x))
return mean,float(mean-half),float(mean+half)
什么时候值得升级为复核,什么时候需要更多供者
若出现方向翻转,需要先回看翻转是否发生在本来就接近零的效应。一个从很小正值变成很小负值的基因,可能只是在缺少信息的区间内晃动。若原先效应很大,删除同一人后许多相近功能的基因同时大幅改变,就值得调出这位供者的建库报告、药物暴露或采样记录,看看是否对应已知的临床差异。即便发现了潜在亚群,也需要新样本检验,不能凭同一组留一结果宣称找到了一类特异的治疗反应者。
写结果时把主分析、敏感性结果和下一步核查动作分成清楚的句子。可以写明主分析保留八位供者,指出一〇一五供者离开后效应收窄,并给出其余七人的范围。若只有校正后概率跨过阈值、效应几乎不变,说明证据精度或多重校正的位置变化了;这与效应本身大幅变小是两个观察。原始样本、代码和固定的基因列表能把这些区别交代清楚。读者也可以将三个示范基因替换为自己研究中最关心的名字,从全基因结果表追溯哪位患者最影响它。
十六列样本在普通电脑上就能完成重拟合。若实际队列跨多家中心、要在每一类细胞和多组对比中反复留出供者,可以把患者表与同一脚本放到云生信科研服务器租赁并行运行,留下各轮效应和对应的样本清单。
