把外周血细胞的染色质开放数据降维后,一个常见现象是,沿第一条轴从左走到右,细胞的测序深度也跟着增加。手头有一张这样的图,直接去掉第一轴很容易;难的是回答同事接下来会问的那句话,去掉以后,哪些细胞真的换了邻居,换来的邻居有没有更符合已知标记?我们使用同一滴中同时测到的 RNA 和 ATAC,把这个问题拆成可以在自己电脑上重跑的两个实验。读者最后会拿到两个可以逐行比较的邻居名单。

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)
把深度和独立参照先留在表里
教学数据出自十倍基因组公司的公开配对外周血实验。完整矩阵共有一万一千九百零九个细胞和十万八千三百七十七个开放峰。我们用 RNA 一侧的标记先挑三组细胞,随后只用 ATAC 做降维。这样,比较邻居时还有另一种测量可以用作旁证。下载包保留九个基因的原始计数、条码与完整峰矩阵的列和。这里的深度具体指所有报告峰上的计数之和,不能把它与所有通过过滤的片段数、测序读段数随意替换。Signac 配对数据下载与分析
筛选也会改变结论。T 样细胞要求三个受体或谱系标记中至少两个有计数,B 样细胞要求两个 B 系标记至少一个可见,同时排除明显的另一类标记。髓系样细胞需要 LYZ 与 LST1 共同支持。三组各抽一百五十颗,固定种子后写入文件。这些标签便于对照。它们优先留下标记清楚的细胞,可能排除浅测序、混合状态和边界条码,因此这里三组的比例不能拿去还原原标本的组成。正式项目需要把未分类的一栏也保留下来,单列它们的深度和邻居去向。
先复算一条轴与深度的关系
包中保留所选细胞里检出最频繁的两千五百个峰,让读者可以快速跑通。取每个细胞在面板内各峰的相对计数,再按峰在多少个细胞中出现给权重,经过对数变换做截断奇异值分解。每一步的定义都写在下面。不同实现的词频、逆文档频率或缩放顺序会变,复现时应先对齐整个变换,再讨论同名的第一分量。本例展示一套明确定义的变换,不能将数值与另一套默认设置逐位比较。
def lsi(counts, components):
totals=np.asarray(counts.sum(axis=1)).ravel()
if (totals<=0).any():raise ValueError("At least one cell has zero panel peak counts")
n=counts.shape[0]
depth_normalized=sparse.diags(1/totals)@counts
frequency=np.asarray((counts>0).sum(axis=0)).ravel()
idf=np.log1p(n/np.maximum(frequency,1))
transformed=depth_normalized.multiply(idf).tocsr()
transformed.data=np.log1p(10000*transformed.data)
return TruncatedSVD(n_components=components,n_iter=8,random_state=84).fit_transform(transformed)
算完分量,用完整峰表的计数给细胞排深度名次,用每个分量的坐标另外排名,计算两组名次的相关。第一条轴约为零点九三九,第二条约零点零八三,第三条约负零点一八三。奇异向量的方向允许整体翻转,因此另一套线性代数库给出相反符号时,需要比较绝对强度和条码次序。不要因为坐标轴的正方向朝左就把强关联改写成一个相反的生物学过程。可打开分量与深度的图,把每个点按 RNA 标签着色,看同一类内部是否也沿深度排列。
python -m pip install -r requirements.txt
python run.py --input example --out results
除了一个分量,其余构图条件都固定
先对各分量在细胞间标准化。第一张图使用第一至第十一分量,第二张图使用第二至第十一分量,均在同一组细胞中寻找二十个欧氏距离最近的其他条码。两张图在进入构图的维度数上相差一维,这个设计回答的是“在其余十维相同时,多给第一轴一个位置会怎样”。如希望固定总维数,可另外加入第二至第十二分量的设置,再分别与前两组比。不要同时换邻居数、距离定义、特征集合和聚类分辨率,否则很难将结果改变归因到第一轴。
def neighbors(embedding, size):
fit=NearestNeighbors(n_neighbors=size+1).fit(embedding)
near=fit.kneighbors(embedding,return_distance=False)
return [set(j for j in row if j!=i) for i,row in enumerate(near)]
比对时先看条码名单。一个细胞两次有十七个邻居相同,交集是十七,并集是二十三,相似度便是十七除以二十三。它描述的是邻居成员更换的幅度。另一项指标是二十个邻居中与中心细胞 RNA 标签相同的比例。即使两个邻居集合没有完全重叠,只要替换进来的仍属同一大类,一致率也可能不动。把两项指标分开报告,就能区分“换了熟悉的成员”和“跨过可识别的谱系边界”。
| RNA 标记组 | 两张图邻居交并比均值 | 保留第一分量的一致率 | 移除后的一致率 |
|---|---|---|---|
| B 样 | 0.838 | 0.822 | 0.839 |
| T 样 | 0.801 | 0.855 | 0.859 |
| 髓系样 | 0.799 | 0.867 | 0.859 |
表格的三行给了不同的答案。以清楚的 B 系标记作参照时,拿掉第一轴后,平均每个中心细胞二十名邻居里多了约三分之一个同类邻居。髓系样细胞的方向反了,T 样只略有改善。把所有细胞合成一个均值,会掩盖后一类代价。也不能用这几千条邻居关系计算患者层面的显著性,因为同一颗细胞会出现在多个邻居集合里,且全体都来自一次公开实验。改写结论时,把对象限定到这批条码、这组参照标记和这个构图设置。
顺着一颗异常条码找到原因
打开逐细胞表,按邻居交并比从小到大排序,选出成员更换最大的一颗。到边表里筛它做中心时的两组记录,再把相应条码接回细胞表。比较被替换出去和被换进来的邻居的全峰计数,以及它们的 RNA 标记是由一个分子还是多个标记共同支持。若更换的主要是同类内部深度接近的细胞,可以考虑第一分量对描画大类影响有限。但假如低深度的中心条码失去多个具有相同谱系标记的邻居,就值得检查稀疏峰带来的距离并列、保留峰的偏向,以及中心细胞的 RNA 证据是否足够。
import pandas as pd
cells = pd.read_csv("results/cell_neighbors.tsv", sep="\t")
edges = pd.read_csv("results/edges.tsv", sep="\t")
focus = cells.nsmallest(1, "neighbor_jaccard").iloc[0].barcode
print(edges.loc[edges.barcode.eq(focus)].to_string(index=False))
如果分析目的是区分大谱系,三组 RNA 标记可以构成第一道检查。若目的是分开同一谱系内部的刺激状态,宽泛的标记一致率即使很高也回答不了问题。这时应在该谱系内部重新构图,加入与目标状态有关、且未用于挑选细胞的标记或独立样本。一个有用的反查是先将细胞在每一类内按深度分层,从各层取相同数量,再计算第一分量与深度的关联。如果相关明显下降,要考虑原先不同类型深度分布的贡献;如果每层中仍有明显梯度,则应查看建库和片段检出因素。
把决定写进能重画的方法段
交给合作者的记录可以只写四件事:使用了哪种深度、哪些峰进入分解、改变了哪些维度、哪一种细胞的邻域最受影响。附件同时保留了两张有向边表,共同条码与邻居数都可复核。若有人想把邻居数改成三十,应该在两处使用同一个值,并从头生成两份名单,不能把上一轮的邻居统计当成本轮结果。这样将来换用完整峰矩阵或另一批样本,也能分清差异是由数据变化、方法设置还是标签定义带来的。Signac 的深度相关诊断
回到自己的项目,可以先挑一个供者,把条码、峰集合、分量选择和两张图一起存档。见到第二个供者时再问,同一类细胞的收益和代价是否重现。不同供者若出现不同方向,应分别呈现,并复查建库深度与细胞组成。等到需要把每位供者的完整峰矩阵都按这套设置重算时,可以按稀疏矩阵大小和需要保留的邻居图数估算内存,再选择合适的云生信科研服务器租赁。
