整理单细胞 ATAC 数据时,大多数人首先看每个条码有多少片段。几千个片段的细胞可能需要复核,十五万片段的细胞似乎可以直接留下。可在这份公开外周血实验中,我们确实找出一小组条码,片段数的中位数达到十五万四千八百一十四,转录起始位点附近的富集却偏低。值得问的是,这些片段都落在了哪里,长度分布像不像同一个文库中其他条码,而一道过滤线将怎样改变你对目标细胞的判断。下载包提供这批条码的原片段,可以从头算。

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)
在一个文库内部先把深浅样本找齐
数据来自十倍基因组公司的公开外周血染色质实验。先取官方标为细胞的条码,按通过过滤的片段数排序,然后等分为四档,每档随机取四十颗。抽样名单、种子、原始文库下载入口和文件校验值都保存在包里。用四个深度层取数是为了兼顾两端,在普通电脑上保留能看清的差异。这里的一百六十颗来自同一次实验,不能把四个深度档当作四名供者,也不宜根据这次抽样去推算整批细胞有多少比例质量不佳。原数据与 Signac 分析流程
从原始压缩文件按条码保留它们的全部去重片段。每行有染色体、起止坐标、条码,以及支持该片段的读段信息。这里每行只记一个片段,不将最后一列再次乘进去,否则扩增较多的分子会获得额外权重。原表中通过过滤的片段数用于选样,随后所有指标统一从提取的片段行重新计算。写自己的样本表时应同时保留这两列与定义。有些软件给的是峰内片段,有些给的是全部可用片段,两者即使列名都写着深度,也不能直接照搬阈值。
让 TSS 富集的分子、分母都可追溯
我们用 hg38 主染色体上整理后的转录起始坐标。正链从起始端取位点,负链取另一端对应的碱基。多个转录本若恰好有相同坐标,在同一染色体内只保留一个位置。对每个片段取左端和右端最后一个碱基作为切口,统计落在起始位点上下各五十个碱基共一百零一个位置里的切口,再统计上下游九百至一千两个侧翼窗口里的切口。中心与侧翼分别除以各自宽度后再相除。作者将这些定义完整列出,是因为不同工具的窗口、转录本选择和归一过程可能不同,数值不应与另一实现的阈值硬对齐。本例使用的 UCSC 注释
def ratios(center,flanks,short,mono):
enrichment=np.divide(center/101,flanks/202,out=np.full(len(center),np.nan),where=flanks>0)
nuc=np.divide(mono,short,out=np.full(len(short),np.nan),where=short>0)
return enrichment,nuc
如果某个条码侧翼没有读到切口,分母为零,TSS 比值无从估计,读表时应该标为待查。分母只有一两个切口时,即使给出了一个很高的数字,也要连同原数看。包里的逐条码表保留中心数和侧翼数,可以把比值拆回整数。由于相邻转录起始位置可能相距不远,一枚切口可以对不止一个起始位置的窗口有贡献,中心计数之和与物理切口总量的含义也不同。一个便于同事复查的做法是,在发出去的表旁边写清主染色体范围、是否合并同坐标和窗口端点是否包含在内。
python -m pip install -r requirements.txt
python run.py --input example --out results
python run.py --input example --out results_tss6 --minimum-depth 5000 --minimum-tss 6
在深度和富集的四个角里读长度
默认以五千个片段和富集四作为教学分界。两项都过线的是一百五十五颗。三颗片段充足、富集偏低,另有两颗没有通过深度线,其中一颗富集仍然超过四。我们还计算每个条码中长度一百四十七至二百九十四碱基的片段数,除以短于一百四十七碱基的片段数。分子、分母都按去重片段计。这一简便指标比较单核小体长度段与短片段的相对多少,更多长度峰的位置与形态则需另画直方图,不可能由一个比例全部概括。
| 条码所在区域 | 细胞数 | 片段数中位数 | TSS 中位数 | 单核小体与短片段之比中位数 |
|---|---|---|---|---|
| 深度与 TSS 均达线 | 155 | 22,248 | 9.68 | 0.66 |
| 深度达线,TSS 低 | 3 | 154,814 | 3.68 | 5.32 |
| 深度不足,TSS 达线 | 1 | 3,045 | 4.87 | 8.20 |
| 两项均低 | 1 | 2,986 | 3.24 | 10.18 |
三颗高深度低富集的细胞很值得翻开逐条看。它们的长度比例中位数明显高于多数条码,说明这次异常不只是一个阈值附近的取舍,还有片段组成的差别。接下来应查它们是否集中在特殊建库批次、是否存在重复或异常比对,是否在多个独立位点都缺少清楚的开放信号。仅靠三颗条码,不能直接为它们命名一种罕见细胞,也不能从片段多推出它们一定是多个细胞同滴。分类决定与可能原因要分别记录。
用细胞类型相关位点检查过滤代价
在同一组内把片段切口汇总,围绕 MS4A1 和 LYZ 的参考起始位置各取上下两千个碱基,按一百碱基作箱。组间片段总量差别太大,图中同时提供原始切口数和每十万个片段对应的标准化覆盖。若某群只由一颗细胞组成,那么曲线的一个突起完全可能来自这一个条码。先读组内细胞数,再读每个箱实际有多少切口,能避免把纵轴缩放后的尖峰误作强烈的谱系证据。练习还可把三颗异常细胞逐一取出作图,检查总图是否其实由其中一颗支配。
import pandas as pd
qc = pd.read_csv("results/cell_qc.tsv", sep="\t")
cols = ["barcode", "unique_fragments", "center_cuts", "flank_cuts", "nucleosome_ratio"]
print(qc.loc[qc.group.eq("high_depth_low_TSS"), cols].to_string(index=False))
coverage = pd.read_csv("results/locus_coverage.tsv", sep="\t")
print(coverage.groupby(["group", "gene"]).cuts.sum())
若要比较阈值四和阈值六,先分别完成两次运行,把结果按条码一对一连接,再列出被移动的细胞。尤其应查看移动条码是否集中在某一个细胞类型或供者。如果提高阈值后大多数谱系仍有足够覆盖,只有目标稀有群突然没有了,一个合理的下一步是回到该群的多个标记位点和其余独立样本,而非依据更工整的质控图立刻删除它。单个标记受真实调控、稀疏采样及异质性影响,不足以单独决定细胞质量。保留、排除与待复核三种状态都可以写进元数据,使后续分析能按两套名单重跑。
还可以把候选排除名单传给下游同事,请他在完全相同的峰集合上做两遍计数。第一遍保留所有已叫出的条码,第二遍拿掉那三个高深度低富集条码。比较目标区域总覆盖、各细胞类型的规模和每位供者能够贡献的片段量。若一个位点的信号在移走单颗条码后几乎完全消失,图注应把这个依赖说清;若两套结果在主要位点重叠,只影响低覆盖边缘,则可把这项结果作为过滤选择的敏感性记录。不要因更换峰集合导致的边界差异误判为细胞过滤的影响。
实际交付时保留原始条码、原有深度档、首次被判待查的理由,以及最终处理决定。有人希望换用另一个注释版本时,可以直接在同一份片段上替换起始坐标,比较改变最明显的是哪些条码。把这一步与阈值调整分成两次运行,才知道差异来自注释还是过滤。
换到多文库项目时,要为每个文库分别画联合图,使用相同参考和窗口计算,给同名条码加上样本标识,再把结果汇总。可以先在单个文库中取出目标群前后的条码,观察它们在重新聚类、开放峰及样本构成上的变化。质控报告最能说明问题的往往是被阈值改变的那一小撮细胞及其原始片段。等这一步有了明确的复查规则,需要将各样本的全片段反复扫描和重画覆盖时,再按压缩片段总量与并行文库数选择云生信科研服务器租赁。
