单细胞分析

同一条通路在 T 细胞显著、在 B 细胞没显著,能说两者反应不同吗?

作者:发布于 2026-11-17约 8 分钟阅读
程序 X 在 T 中显著、在 B 中不显著,直接比较两类反应的差值只有 0.0325,区间跨零

结果图上,某条通路在 T 细胞那一栏有三颗星,在 B 细胞那一栏没有星。组会很容易走到一句话:“所以这个药更偏向激活 T 细胞。”先在纸上写下两种细胞各自的平均变化。如果一个是零点七六,另一个是零点七三,单凭星号能支持“更偏向”吗?这一篇给出两组可以自己改数的配对数据。第一组只有一类单独显著,两类反应非常接近;第二组两类都显著,反应幅度却相差很大。两次都从同一批条码重新算分、作图、估计区间。

程序 X 在 T 中显著、在 B 中不显著,直接比较两类反应的差值只有 0.0325,区间跨零

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)

一个人要有四个格子

取八位模拟供者,每人都有处理前后的 T、B 两类细胞,每个格子十二颗,总共三百八十四颗。输入是六个教学基因已经放在同一尺度的对数表达值,前三个组成程序甲,后三个组成程序乙。先在每一颗细胞上求其程序内三个基因的算术平均,再在供者、类型、时间组成的格子内求平均。归一化和打分的目的都写在文件里,程序甲乙是为解释设计而构造的例子,不对应一种已被证实的药物作用或某条真实信号通路。

处理真实项目时,先核对四格是否确实属于同一位独立供者。不同住院号可能对应同一个人,同一姓名也可能有重复;应使用研究确认过的身份映射。若某人的处理后 B 细胞一个也没回收,他仍可为 T 细胞本身的变化提供资料,但在本文“每人四格齐全”的主对比中缺少一个分量。把缺失的 B 分数填成零会制造异常大的下降,借其他患者的平均数则相当于虚构了一组配对。应报告完整四格的供者范围以及缺失原因,必要时另行建立能处理不完整设计的模型。

python -m pip install -r requirements.txt
python run.py --input example --out results
# 想检查模拟怎样产生,可另建一个目录并从头生成
python make_example.py --out my-example

三个检验究竟各自问了什么

第一个问题只看 T,在每一位供者内用处理后的平均分减去处理前的平均分,再问这些人是否有共同变化。第二个对 B 做完全相同的事情。第三个才直接对应标题:在每一位供者内,用 T 的变化减去 B 的变化,得到这个人两种类型之间的反应差,再把八位供者的差一起汇总。顺序很重要。同一个人两种谱系可能因为采样时间或炎症背景而共同波动,如果先把 T 和 B 的八个变化拆散再做两独立样本检验,就丢掉了可利用的患者内相关性。

def contrast(scores,donor):
    dT=scores[donor,"T","after"]-scores[donor,"T","before"]
    dB=scores[donor,"B","after"]-scores[donor,"B","before"]
    return dT,dB,dT-dB

这一直接对比就是两个时间点、两种细胞类型时的交互对比。以第一位供者的程序甲为例,T 的变化是正零点六,B 的变化是负一点六,反应差为正二点二。第二位供者则是 T 上升零点九,B 上升一点九,反应差变为负一。两人都可让 T 单看呈现增加,却给出不同方向的类型间反应差。取材量大的患者若有四百颗 T、只有二十颗 B,仍然只贡献一条患者内反应差;细胞数量首先影响格子均值的测定精度,不能让一个人变成几十个独立受试者。

程序甲给出的两张星号图为什么会误导

程序甲的 T 平均变化为零点七五七五,八位供者之间差得很小,患者级双侧检验给出的概率小于百万分之一。B 的平均变化为零点七二五,几乎和 T 相同,但是个体变化方向很分散,有人增加也有人下降,单独检验的概率约零点二七六。日常研究中,这种格局也可能因为某一类型细胞较少、分数噪声大或患者本身异质性强而出现。把这两个概率直接相减,或用“过阈值”和“没过阈值”的标签作比较,两种做法都没有给出类型反应差的估计。Gelman 与 Stern 对此问题的原始讨论

直接计算后,甲的平均反应差只有零点〇三二五,在八人间估出的百分之九十五区间约为负一点三七到正一点四三,双侧概率约零点九五八。数据既容许一定幅度的 T 更高,也容许 B 更高。适合写成“这八位供者中,两类平均变化接近,直接对比的不确定性较大”。若科研问题需要证明两者差异小到不影响实践,就要在看结果前确定可忽略的差异界限并采用相应等效性设计,不能因这一个概率很大就给出反应等同的结论。

教学程序 T 的平均变化 B 的平均变化 T 减 B 的平均反应差 直接对比 95% 区间
甲 0.7575 0.7250 0.0325 −1.37 至 1.43
乙 1.7525 0.2025 1.5500 1.50 至 1.60

程序乙是另一个很好的反例

换到程序乙,八个人两种细胞类型都上升。单看各自检验,两边都达到了常用阈值,但 T 比 B 平均多上升一点五五,而且八人的反应差比较接近。图中把同一供者的两个变化用线连接起来,每根线的落差就是那位供者的类型间对比。与程序甲放在一起看,会发现决定反应差的正是线的落差及其患者间波动,单独柱子的高度、误差线和星号都不能取代这个问题。若方向改写为“B 减 T”,数字绝对值相同,符号就应反过来;在图注里标清相减顺序最省争论。

程序还给了一个离散的检验作交叉核对。在零假设下若各供者的反应差独立、分布相对零对称,可以枚举八位供者的正负翻转,将观察到的绝对平均差与这二百五十六种结果比较。甲的直接对比得到的双侧翻转概率约零点九四五;乙为二除以二百五十六,约零点〇〇七八。两种计算的数值并不会完全一样,尤其样本很少时,翻转概率只能落在有限的格点上。真实临床组别若没有随机分配,符号对称的前提也要结合设计检查,不应把代码跑通当作随机化证据。

def inference(deltas):
    v=np.asarray(deltas,dtype=float);mean=v.mean();se=v.std(ddof=1)/np.sqrt(len(v))
    half=stats.t.ppf(.975,len(v)-1)*se
    signs=np.asarray(list(itertools.product((-1,1),repeat=len(v))))
    pflip=float(np.mean(np.abs((signs*v).mean(axis=1))>=abs(mean)-1e-12))
    return float(mean),float(mean-half),float(mean+half),float(stats.ttest_1samp(v,0).pvalue),pflip

换成自己的通路,先检查评分尺度

最好固定同一套基因、同一归一化方式和同一打分规则。若在 T 中把通路分数按 T 的标准差缩放一次,又在 B 中按 B 的标准差各自缩放,那么一分在两类里已经代表不同的原始变动,反应差的生物学解释也会改变。另一种常见情形是某个程序在 B 细胞中几乎没有任何基因检出,这时先报告基因集覆盖、库深度与可评估的供者,再决定是否有足够信息对比。直接比较两个通路富集结果表的排名,也无法替代在同一分数尺度上计算的交互效应。

最终交付至少要有每人四格的底表、每人三项变化的表,以及包含效果和区间的直接对比表。若一次筛几十条通路或多种细胞配对,提前指定主要比较和校正范围,再挑出最值得独立验证的候选。正文里可以分别陈述两种细胞各自的响应,但“哪种响应更强”应带上反应差的单位、完整患者数和不确定性。读者根据这三张表就能从结论一直查回第一位患者的四个数字。多供者差异状态分析示例

可以再做一个手工检查:将同一个常数加到第一位供者的四个分数上。每一格的绝对值都变了,他的两项前后变化和最终的反应差却都不变。若你把整份患者表中的这种共同基线平移后,程序给出的交互结果改变,就应重新核对匹配键、分组次序和样本是否错连。

八位供者的例子在本机即可运行。扩展到多个组织和整批通路时,可以把已冻结的基因集、样本对应关系和脚本带到云生信科研服务器租赁,按同样的四格顺序批量导出直接对比。

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 ↗