在一张单细胞表达图上,某个转录因子只有零星几个点亮着。换一张调控网络活性图,大片细胞却都有颜色。这时值得追问三个细节:哪些基因因为和它共同变化而入选,哪些基因又通过基序筛选留下,最后是哪批靶基因在这颗细胞里排得靠前。查清这三件事,经常比争论两张图哪一张“对”更有用。下面的练习从表达原表开始,带你追到十个转录因子计数为零、靶基因集评分却排在前面的条码。

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)
先明确手里各有哪种测量
转录本计数反映这个细胞在测序中被捕获的分子。蛋白是否已存在、是否经过修饰、是否进入细胞核以及是否结合某一段染色质,都没有被这一个计数直接测到。另一方面,一组候选靶基因在细胞内的表达排名可以共同靠前,给研究者提供一种观察网络状态的办法。不过几个靶基因也可能一起响应另一个上游信号。把因子表达、靶集评分和结合证据分别记在表里,就可以对同一颗细胞问三个不同的问题,避免给网络图上的一个颜色赋予过多含义。SCENIC 原始论文
下载包用四个模拟供者、二百五十六个条码和三百二十个基因构造这一场景。三个用真实符号命名的候选因子是 STAT1、SPI1 和 JUN,后缀带 SIM 的靶基因均为虚构。我们还构造了一百零三个教学基序排序,给三个基序预先放入靠前的候选,并加入一百个打乱顺序的对照。自身数据分析必须另选与物种、基因命名和参考基因组一致的真实排序库。这个小资源给你看清筛选怎样工作,也让你有机会删掉若干已知支持项再验证结果,但不能用于鉴定真实 STAT1 的靶基因。
第一张表:从共同变化提出候选
在输入计数表中,每行是一个条码,每列是一个基因。每个目标基因轮流作为响应量,三个候选因子的表达作为输入,调用 Arboreto 的梯度提升树回归计算候选边的重要度,固定抽样种子。练习采用较小的树数以便个人电脑复现,同一因子最重要的一批候选再经过正相关筛选。这里仅讨论激活方向候选。某个基因一旦进入这张表,只说明在当前数据中它的变化能由因子表达帮助预测。细胞类型或刺激条件同时影响两个变量时,同样会产生候选边。也不要把树模型的重要度读成调控强度或倍数变化。
def infer_edges(expression, factors):
predictor = expression[factors].to_numpy(dtype=float)
parameters = {"learning_rate": .06, "n_estimators": 120, "max_features": 1., "subsample": .85}
edges = []
for target in expression:
fit = infer_partial_network("GBM", parameters, predictor, factors, target,
expression[target].to_numpy(float), seed=69)
edges.append(fit)
return pd.concat(edges, ignore_index=True).sort_values(["importance", "TF", "target"], ascending=[False, True, True])
脚本取每个因子的前四十八个候选。构造模块的函数另加因子自身,所以 STAT1 候选模块清单出现四十九项。若你把这一行也算入“下游靶基因数”,第一步就会多算一个。下载包逐基因标记了它是否为因子本身,并保留未通过下一步的基因。真实项目中可以把旁路途径、细胞周期和普遍高表达基因也加上类别,先判断候选边有没有明显的细胞组成或测序深度驱动。即便一种重要度很小,只要候选清单里还保留着,后续就能告诉读者当初使用的判据。
第二张表:检查什么让一条候选边留下
pySCENIC 在每个候选模块中,检查其基因是否集中出现在某一基序排序的前段,再将富集基序与因子注释相接。实际调用里需要记录所用排序、检索范围、评分所用的前段比例、富集阈值和基序注释版本。这一步会从得到支持的基序恢复出核心候选。真实数据库通常由调控区域中的序列或轨道构建,启动子窗口、远端调控区域覆盖和基因映射方法都会影响结果。一个基因未通过筛选也可能与资源的搜索范围有关。把它写成“本次排序库没有给出足够支持”比写成“这个因子一定不调它”更符合观察。pySCENIC 作者教程
教学库经过实际筛选后,STAT1 留下二十三个候选,SPI1 留下二十四个,JUN 留下二十三个。你可以从去留表中挑出 STAT1 的第二十三号模拟靶基因,回查它在具体基序排序中的位置,再对照一个落选的基因。生成器刻意只把前二十二个设计靶基因摆在最前面,第二十三个也有可能因为剩余位置的随机排序而通过。这比规定“写进生成脚本的一定全部找回来”更接近筛选练习的实际意义。若用同一家族成员共享的真实基序,单靠一次富集也不能确定是家族里哪位成员真正结合。
| 想核对什么 | 打开哪份表 | 在哪里寻找证据 |
|---|---|---|
| 为什么曾列为候选 | coexpression_edges.tsv | 因子、目标基因和树回归重要度 |
| 为什么保留或移除 | candidate_modules.tsv、motif_enrichment.tsv、pruned_targets.tsv | 原候选、富集基序、恢复出的基因 |
| 哪颗细胞靶集排名靠前 | auc.tsv、barcode_evidence.tsv | 用同一条码接回原始因子计数 |
第三张表:把网络评分接回那一颗细胞
AUCell 对每个细胞分别将基因表达排序,检查指定靶集在排名靠前的部分恢复得怎样。例如一个细胞没有读到 STAT1,但有十多个候选靶基因同时排在前段,这个细胞就可能有一个较高的 STAT1 靶集得分。这里给评分使用排名前一成的区域,固定并列值随机拆分的种子。再用整批细胞得分的上四分位作为查找条码的演示门槛,方便在图上画出一条容易复核的水平线。前一个比例定义每个细胞内部如何打分,后一个比例定义跨细胞选出谁,两者用的分母完全不同。
def compare_measurements(counts, scores, metadata, factor, quantile):
regulon = factor + "(+)"
if set(counts.index) != set(scores.index) or set(counts.index) != set(metadata.index):
raise ValueError("Barcode sets disagree")
result = metadata[["donor", "simulation_program"]].copy()
result["tf_umi"] = counts[factor]
result["regulon_auc"] = scores[regulon]
cutoff = result.regulon_auc.quantile(quantile)
result["auc_in_upper_group"] = result.regulon_auc >= cutoff
result["zero_umi_upper_auc"] = (result.tf_umi == 0) & result.auc_in_upper_group
return result, cutoff
解压后可以先用基础环境复算所有表,再用单独环境重拟合三步网络。第一条命令确定工作目录含有原始计数,运行后应在输出表看到十个条码符合两个条件。改变最后一条检查命令的分位数时请使用新的目录,随后按条码比较哪些刚好跨过门槛。需要从头估计候选网络时,按压缩包的环境文件安装相应版本再运行拟合脚本,不必把所有依赖装进现有项目。
python -m pip install -r requirements.txt
python run.py --input example --out results
python run.py --input example --out results_q90 --quantile 0.90
conda env create -f model-environment.yml
conda run -n scenic-lesson python fit_scenic.py example example/fit-new
本次二百五十六个条码中,一百七十四个没有读到 STAT1,六十四个位于评分前四分之一。两项同时满足的有十个,四个模拟供者分别贡献二、一、三、四个。打开第一位供者的二十号条码,STAT1 的计数是零,靶集评分约零点五九二,明显高于这一批条码约零点一一四的筛选线。与此同时,整批因子计数与评分的秩相关约为零点六八九。总体正相关和个别条码不吻合可以在同一张表里同时成立。报告时把分子、分母和具体示例放在一起,可以避免只展示一颗极端细胞就推断整群状态。
怎样把一个候选变成可检验的问题
真实项目里,先限定同一种细胞和可比较的条件,按供者列出零计数而靶集靠前的数量,核对这些条码的文库深度、检测基因数和靶集有效覆盖。再从靶基因列表挑出几个在多位供者都出现的成员,回到原矩阵检查它们是否只靠一两个特别丰富的基因支撑。可以拆掉高权重成员重算得分、引入表达丰度匹配的对照基因集,或将训练网络和评估网络放在独立供者中。最后按问题选择验证:要看因子是否结合候选区域,可设计相应的结合实验;要看靶基因表达是否依赖它,可扰动因子再测响应,并保留非靶向对照和多个独立向导。
当你能拿着某一颗细胞的计数、它对应的靶基因以及支持筛选的基序,结论就可以写得具体:这批条码中出现值得复核的调控程序,其来源尚待实验确认。随包计数很小,适合本地反复调整门槛;换成真实全基因组排序库、多个供者和多次随机种子后,可以在云生信科研服务器租赁上按版本保存排序库及各轮候选表,等所有运行结束再逐条对照。
