单细胞分析

肿瘤上皮细胞里有哪些成套变化的基因?用 cNMF 拆开表达程序

作者:发布于 2026-11-17约 8 分钟阅读
K 从 2 至 4 时重建误差下降,第四个分量的前八项都为模拟背景基因,K=3 的三个程序跨供者重复

一个肿瘤上皮细胞可以同时表达角蛋白、周期基因和干扰素响应基因。聚类图却通常要求它只能出现在一个簇里。若问题是“哪些基因成套变化,每颗细胞各用了多少”,可以换一种表达方式:保留上皮大类,允许同一个条码由几套程序共同组成。本篇用一份已知组成的模拟肿瘤上皮矩阵实际运行 cNMF,比较三个候选程序数。结果里最值得一起看的两列,是增加一个程序后误差降了多少,以及这个新增程序的前几个基因究竟是什么。

K 从 2 至 4 时重建误差下降,第四个分量的前八项都为模拟背景基因,K=3 的三个程序跨供者重复

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)

先确认进入模型的细胞和数值

数据含四位模拟供者,每人九十颗上皮细胞,共三百六十颗。每颗都混合上皮相关、细胞周期和干扰素响应三种程序,对应不同的载荷基因;还保留了六十个模拟背景基因。总计八十四个 RNA 特征。附表记录生成每颗细胞时的三个比例,只在最后核验时使用。拟合脚本只读取基因计数,不读供者或生成比例。这样最后恢复出三套程序并与已知权重一致时,读者才能区分“模型从表达中学到了组合”与“我们事先把答案交给了算法”。

自己的项目需要先确认上皮谱系,保存供者、组织来源、病理和基本质控信息。混入的高计数双细胞可能把两种谱系合成一个强程序,肿瘤上皮中的真实状态差异也可能与患者特异性拷贝数及制备应激有关。原始非负计数适合作为这一流程的起点,不能把含负值的按基因中心化矩阵当作计数送进非负分解。模型输出两类量:一类是每个程序在不同基因上的组成,另一类是每个条码使用这些程序的程度。前者适合给程序命名,后者用来查看这种活动在哪里出现。Kotliar 等的 cNMF 原始论文

python -m pip install -r requirements.txt
python run.py --input example --out results
# 需要从头拟合时,在单独的 Python 3.12 环境安装模型依赖
python -m pip install -r model-requirements.txt
python fit_cnmf.py example example/fit

改一个 K,为什么还得重复十几次

非负矩阵分解从不同随机初值出发,可能在相同程序数下得到不同的组合。这里分别试二、三、四个程序,每个候选数做十二次初始化,总计三十六次初始分解。固定随机种子,用四十个高变特征进行分解,最多迭代二千轮。之后按候选程序数收集合并各次结果,查看相近程序是否在重复运行中聚在一起,再做共识。选择用多少次重复与可承担的计算量、数据复杂度有关,十二次是随文演练的设置,不能视作大型肿瘤研究已经充分评估稳定性的保证。官方代码及完整流程

def fit_all(h5ad,workspace):
    model=cNMF(output_dir=str(workspace),name="epithelial")
    model.prepare(counts_fn=str(h5ad),components=[2,3,4],n_iter=12,seed=63,num_highvar_genes=40,max_NMF_iter=2000)
    model.factorize(worker_i=0,total_workers=1)
    model.combine()
    return model

下载包保留了每个候选数的程序和使用度,而不只留下最后挑中的三程序结果。这样可以从数字检验两个竞争解释:如果程序数太少,原本不同的表达活动会被合并;设得过多时,一个成分可能只吸收零碎背景,或者将同一个可重复程序拆为几个相似变体。初次尝试时可以只改变一项参数,固定拟合人群、高变特征选择、归一化和密度阈值,再看程序数的作用。多项一起变化后,仅凭某张热图“更干净”很难追到原因。

三行数字不需要自动投票

两个程序时,重复拟合的轮廓稳定性约为零点九九九八,重建误差约九千零二十五。增加为三个,稳定性仍接近一,误差降到约五千零七十六。再加到四个,误差还会降到约四千七百二十四,稳定性却降到约零点七八。只有两种程序也可以非常稳定地将三种真实变化挤进较少的格子。相反,误差越小并不必然意味着多出来的一组容易解释,增加自由度本来就常能改善对原始矩阵的拟合。把这三行放在一起,才能看到哪个额外程序带来的改进明显、哪个带来的回报较小。

程序数 稳定性,轮廓系数 重建误差约数 继续检查的内容
2 0.9998 9,025 是否把不同活动合在一起
3 1.0000 5,076 三组的成员与供者使用度
4 0.7797 4,724 第四组是否有可重复的独立成员

这里报告的是本次运行的重建指标,其绝对量级依赖数据规模、特征和实现。拿另一篇研究不同矩阵的误差来设统一阈值没有意义。更实用的是在同一个输入上比较相邻候选数,再回原始计数和供者信息检验。若两个候选数都给出清晰、跨供者重复但分辨率不同的程序,报告一种主方案和一种备选解释也合理;仅凭第三位小数选择一个“唯一正确”的程序数会掩盖不确定性。

怎样给分量重新取一个能复核的名字

三程序结果的第一列,前八个基因都属于预设的周期面板,包括 CDK1、BIRC5、CENPF 和 PCNA;第二列前八个对应上皮,第三列前八个对应干扰素。用各自前八项与三套预设面板的交集大小做一对一匹配,再对照各个基因的具体排名。程序编号是这次拟合的输出顺序,换随机种子、软件或计算库后编号可能互换。与另一队列对比时,应按基因谱或模型投影来匹配,不能因为两个文件都出现“第三列”就认作同一程序。

def match_by_markers(top,known):
    columns=list(top[0]);labels=list(known)
    scores={(col,label):len(set(r[col] for r in top[:8])&known[label]) for col in columns for label in labels}
    assignment=max(itertools.permutations(labels),key=lambda a:sum(scores[col,label] for col,label in zip(columns,a)))
    return {col:(label,scores[col,label]) for col,label in zip(columns,assignment)}

看第四个分量会更明白为什么要检查名字。四程序模型里前三列依然各自找回八项预设标记,新增的第四列前八项全是生成器中明示的背景基因。对这份有真值的练习,优先解释三程序有充分的数据依据。真实肿瘤里看不懂的基因不一定是噪声,其中可能包含未知调控,因此不能把“没有出现在我预设的面板”自动当作删除理由;可以检查成员相关性、技术协变量、其他患者及独立队列是否再现,再决定是作为候选还是暂缓命名。

给每位供者留一张使用度表

把每颗在三个分量上的使用度按行归一化,三项之和为一。它们描述该细胞在当前模型下的相对使用,不等于固定时间内表达程序启动的概率。读者可以按细胞画连续使用度,也可以为了查看覆盖,另外数每位供者中哪组是最大分量。周期程序在四位供者各有三十、三十二、三十、三十二颗居首,干扰素程序各有二十九、三十、二十八、二十七颗居首。使用最高列作标签会丢掉其余两列的连续信息,交付时要把原始使用矩阵一道保留。

最后将估计使用度与生成时留出的真值做秩相关,周期约零点九三一、上皮约零点九二四、干扰素约零点九四一。这项证据只在本例成立,因为模拟者掌握真值;真实队列可以改用独立验证标记、组织区域或扰动读出。若某程序几乎只来自一位患者,还应考虑这一患者的拷贝数、文库深度和样本处理,必要时留出该患者重做整个分解,再按谱匹配其余程序。对每个新名字交付一张基因表、一列条码使用度和一份供者覆盖,比把整张图笼统叫“新亚群图谱”更容易验证。

小型示例在个人电脑就能复核。把相同的多个程序数和多次初始化扩展到完整肿瘤图谱时,可以将作业和原始计数迁至云生信科研服务器租赁,分别保存每轮分解与共识结果。

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 ↗