治疗前后,两个大簇都稳稳占一半。把每位患者单独画出来,堆叠柱依旧一样高。可回到连续的表达图上,有一小段状态在处理后变密了,旁边另一段变稀了。粗分群没有给它们画出边界,这种变化怎样落到可检验的数据上?这篇从一份有已知答案的模拟计数出发,实际运行 Milo,再把最值得看的两个邻域拆成十二份样本的整数,看看局部差异究竟由几位独立患者支持。

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)
制造一个粗分群注定看不出来的问题
教材中有六位模拟供者,每人一份处理前、一份处理后,总计十二份样本。每份一百四十颗细胞,粗群甲、乙各七十颗。我们让细胞沿一条连续的表达轴分布,其中三十六个模拟基因包括位置相关的基因和相对平坦的基因。甲群内部有位置偏早、偏晚的两段,处理前偏早的位置较密,处理后更多细胞落在偏晚的位置;乙群的抽样分布保持同一规则。只看大类时,每个患者的变化都严格等于零。真实研究往往没有这样干净的已知答案,这个安排是为了在知道哪里被改变的条件下检验分析流程。
每颗细胞有一个生成它时用到的潜在位置。这个位置只放在核查表里,建图和统计检验都看不到它。模型使用原始表达矩阵计算归一化表达与主成分,再在六个主成分上构图。这样最后发现的局部与设置的生成位置一致时,才算独立的核对。如果把位置本身作为构图坐标,又据此证明表达数据揭示了原本看不到的状态,就重复使用了同一信息。手头没有已知潜在位置的真实项目,可以用独立标记、采样时间或组织验证来完成后半段复核。Milo 原始研究
python -m pip install -r requirements.txt
python run.py --input example --out results
# 直接从示例计数重新建图并拟合,需在 R 中安装 miloR
Rscript fit_milo.R example example/fit
邻域从哪里来,它为什么可以重叠
在表达主成分空间中,先连接相近的细胞,再采样并细化一批代表性邻域。本次把近邻参数设为二十四,保存随机种子和实际成员名单,得到二百一十八个邻域。邻域围绕代表性位置形成,相邻两个位置可以共享不少条码。因此把所有邻域成员数相加,通常会大于总细胞数。需要唯一条码数时先做集合去重;需要做局部丰度检验时,则要保留每个邻域自己的样本计数,不能为了让各计数互斥就随意删除重叠的细胞。
真正用于检验的表是邻域乘样本。例如某邻域有五十七颗,程序将它分到十二列,分别记录每位供者两种条件各有几颗。每个供者提供一组生物学配对,模型中保留供者及条件。默认分析可从成员清单重新统计这张表,若有一列和 Milo 实际拟合的计数不一致,脚本会停下来。常见问题包括同名条码从另一份文库混进来、图建立后筛过细胞却继续沿用旧的计数矩阵,或样本信息按字母序排过但模型读取的顺序不同。miloR 官方完整教程
m <- Milo(sce)
m <- buildGraph(m,k=24,d=6,reduced.dim="PCA")
set.seed(59)
m <- makeNhoods(m,prop=0.18,k=24,d=6,refined=TRUE,reduced_dims="PCA")
m <- countCells(m,meta.data=as.data.frame(colData(m)),sample="sample")
m <- calcNhoodDistance(m,d=6,reduced.dim="PCA")
先看调整后的邻域结果,再看实际供者
在由样本计数组成的表上,用配对设计检验处理相对于基线的局部丰度变化,并用基于邻居距离的加权多重校正。随文表中同时有原始概率、普通校正结果和考虑局部图结构的 SpatialFDR。本文预先用后者小于百分之五作为展示条件,再根据估计效应的方向区分增加和减少。模型得到四十七个增加、五十九个减少,一百一十二个没有达到这一档条件。不能写成“发现了一百零六个新的独立细胞亚群”,因为同一片连续区域会被多个重叠邻域覆盖。
design <- unique(meta[,c("sample","donor","condition")])
rownames(design) <- design$sample
design <- design[colnames(nhoodCounts(m)),,drop=FALSE]
design$condition <- factor(design$condition,levels=c("baseline","treated"))
design$donor <- factor(design$donor)
result <- testNhoods(m,design=~donor+condition,design.df=design,fdr.weighting="k-distance")
为了回查模型,挑两个方向各自调整后证据较强的邻域。第一百一十八号在六位供者的对照样本中分别有二、零、一、一、三、零颗,处理侧则有十一、七、八、九、七、八颗,合计从七到五十。第十六号的变化方向相反,对照合计五十七,处理只有六。两个例子里的六个人都沿着各自的方向变。因每份模拟样本的总回收量都相同,光看整数已经很直观;实际队列总捕获量若差很多,还要连同各样本的规模、归一化、图上覆盖情况及模型估计一起阅读。
| 本次结果 | 供者一至六的对照计数 | 供者一至六的处理计数 | 可复核的问题 |
|---|---|---|---|
| 第 118 号邻域 | 2、0、1、1、3、0 | 11、7、8、9、7、8 | 是否每人方向一致 |
| 第 16 号邻域 | 10、9、9、10、13、6 | 1、3、0、0、1、1 | 两个零是否来自实际测过的样本 |
| 整个甲类 | 各 70 | 各 70 | 局部的增减为何在大类上抵消 |
画回图上,验证变化落在哪一段
显示图用每个邻域成员前两个主成分的平均坐标,这只负责定位。每个小点代表一个有许多条码的邻域,颜色显示局部增加、减少或未过门槛。查看生成时保留的位置,在显著减少邻域中,成员位置中位数的中位数约为零点一二;显著增加邻域的对应数值约为零点三八。这个方向与甲类内早段变稀、晚段变密的模拟相符,但并非每一个通过门槛的邻域都落在预期范围。即便知道模拟真值,也应允许局部噪声、边界重叠和假发现,不能用某个点的颜色宣称整段都真实改变。
def audit_neighbourhood(members,cells,sample_names,model_counts):
observed=Counter(cells[b]["sample"] for b in members)
if len(members)!=len(set(members)):raise ValueError("Duplicate member within one neighbourhood.")
if any(observed[s]!=int(model_counts[s]) for s in sample_names):raise ValueError("Counts and membership disagree.")
pos=[float(cells[b]["position"]) for b in members]
return observed,float(np.median(pos))
真实图中若一个信号集中在某个医院、某一捕获日期或某一种制备方法,研究者要先看设计能否区分这些因素。把条件和批次完全混在一起的样本送进模型,邻域再细也不会生出缺失的对照。若某个局部只有一个患者提供绝大多数条码,要给出逐人计数,最好再留出该患者重建比较,查看图结构和效应是否仍有支持。若模型能给很小的概率,却不能在原始输入中指出这个区域由哪些供者、哪些真实细胞构成,便不宜把它放到正文的结论位置。
把参数敏感性和验证目标写得具体
图的近邻规模决定多大的范围被当作局部。过小容易出现许多仅有少数样本贡献的小邻域,过大则可能把方向相反的两段平均掉。可以固定其他条件,增加或减小近邻规模并再次运行,在新旧结果间按成员条码的交集、标记表达及供者组成匹配区域。重建后邻域编号一般会变化,不应要求“第一百一十八号”在另一轮仍叫同一个号码。更值得问的是原来那片逐人增加的状态是否在合理参数范围内仍然增加,是否能被一组独立标记描述清楚。
最后把丰度问题与命运问题分开表述。在这个横截面的表达模拟中,我们观察到的是相对于采到的细胞,某段状态占了更大份额。可能的生物学解释包括其他状态减少、该状态细胞局部扩增、迁入或存活差异。要辨认来源和转化方向,需要时间分辨、追踪或其他实验信息。如果后续想用流式或组织切片验证,可以先从回查到的条码中选出局部阳性的组合与相邻状态的排除标记,再预先确定按哪个细胞群或组织面积计数。
这份小图和全部邻域都可以在个人电脑复核。需要在整合图谱上为多个近邻规模反复建图时,可以把相同的稀疏计数、样本设计与脚本带到云生信科研服务器租赁,按版本保存每一轮成员清单。
