两条向导靶向同一个基因,一条让靶蛋白明显降低,另一条只有轻微变化。把它们合成一个“该基因敲除组”,总体图上仍能看到漂亮的响应。到了组会,有人问如果去掉效果最强的那条向导,结论还剩多少。回答这个问题不必先画新的降维图。把每个重复的原始计数、同期非靶向对照和两条向导摆成一张表,先看效应方向,再看大小,最后才讨论为什么有差异。包中用了四个独立模拟重复,让读者从同一份实验直接做一次留一检查。

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“相同靶点”拆回独立的观测
每个重复都有一条非靶向对照、两条靶向同一模拟基因的向导,各六十五颗细胞。两条靶向序列的响应概率刻意设成不同。每个条码保留 RNA 计数和另外测得的模拟靶蛋白。这里从所有已分配向导的条码出发,包括没有明显响应的细胞,回答的是“送入这条向导的样本总体有多大变化”。如果先筛出转录响应非常强的细胞,再拿它们估计整条向导的效应,就改变了实验问题。响应细胞内部的变化可以单独研究,但需要另列分母与筛选条件。扰动实验与 Mixscape 原始研究
核对向导身份时先保留三个层级。第一个是细胞条码,决定原始基因与蛋白是否属于同一颗细胞;第二个是确切向导序列或唯一编号,决定能否分开检查效率;第三个是供者或培养重复,决定哪些观察拥有独立的实验来源。若每条向导只出现在不同供者,两者的强弱无法与供者差别区分。本例每个重复同时含有全部三组,所以可以在同次实验内部先求差。自己的数据若缺一组,应在复核表留空,无法完成比较的那位供者不应被强行赋予一个零效应。
用供者内计数对照,而不是给每颗细胞一票
在每位供者内部,分别将靶向条码的每个基因原始计数相加,对非靶向条码做相同的汇总。随后按各自的文库总量换成每百万计数,在两侧同一尺度上加半个单位,再取两个归一值的二为底对数比。计算前不对每颗细胞单独求对数,也不把低深度条码的零当作真实无表达。此处在模拟的二百零七基因面板范围上算文库量。换成真实转录组时,应以完整、口径一致的计数汇总,正式检验可以使用适合重复设计的计数模型,并核查总量校正是否受到大范围表达改变的影响。
def contrast(counts,cells,donor,guides):
block=cells[cells.donor.eq(donor)]
a=block.loc[block.guide_ID.isin(guides)];b=block.loc[block.guide_ID.eq("NT")]
if a.empty or b.empty:raise ValueError("Missing perturbation or NT in "+donor)
test=counts[a.barcode].sum(axis=1);ctrl=counts[b.barcode].sum(axis=1)
# Add 0.5 on the CPM scale after summing raw UMI within each replicate and arm.
lfc=np.log2((1e6*test/test.sum()+.5)/(1e6*ctrl/ctrl.sum()+.5))
return lfc,len(a),len(b),a.target_protein.median()-b.target_protein.median()
蛋白另有单位。我们比较同一重复中靶向和非靶向细胞的蛋白中位数,结果直接以模拟读数单位表示,不与 RNA 的对数倍数混在一列。另有二十个在生成时就规定的上调响应基因。先求每个基因的供者内对数倍数,再用这些基因的中位数描述程序的总体方向。不在看到结果后临时把最强的几个基因挑出来命名为响应程序,是为了让两个向导都面对同一把尺子。包里保存了每个基因的完整表,便于读者判断中位数是否由所有成员共同支持。
| 供者 | gA 靶 RNA 对数倍数 | gB 同一读数 | gA 蛋白中位数差 | gB 蛋白中位数差 |
|---|---|---|---|---|
| D1 | −1.262 | −0.361 | −24 | −5 |
| D2 | −1.158 | −0.165 | −22 | −3 |
| D3 | −1.596 | −0.348 | −22 | −1 |
| D4 | −1.236 | +0.102 | −25 | −2 |
有了这张表,弱向导该怎么写
第一条向导的靶 RNA 在四个重复中一致下降,靶蛋白也降低二十二至二十五个单位。第二条向导的蛋白方向仍一致,幅度只有一至五个单位。其靶 RNA 在前三个重复下降,在第四个重复反而略高于同期非靶向组。此时还可以检查响应程序:弱向导在四个重复里的程序中位数都是正值,只是明显低于强向导。用“第二条完全无效”会丢掉这些同方向但微弱的证据;用“两个向导独立证明同样强的表型”,又超出了实际观察。报告时分别列出靶点读出、程序变化和供者间一致性,句子就会准确得多。
python -m pip install -r requirements.txt
python run.py --input example --out results
打开输出,把两条向导合并时的结果与移除其中一条时的结果放在一起。这里恰好只有两条,移除第一条便等于只看第二条;两张输出逐行相同,是一个很好用的程序校验。合并组中的每位供者有一百三十颗靶向细胞,非靶向对照仍然是原来的六十五颗。若把每条向导的对照也重复拼进混合组,会因为重复计算同一批对照而让分母看似增加。代码每次都回到原细胞表取集合,避免这个容易被平均数掩盖的错误。多向导项目中也应给出每个留一组合实际含有哪些向导以及各自贡献多少细胞。
import pandas as pd
t = pd.read_csv("results/replicate_effects.tsv", sep="\t").set_index(["arm","donor"])
print(t.loc["only_gB", ["target_rna_log2FC", "up_program_median_log2FC"]])
assert t.loc["omit_gA"].equals(t.loc["only_gB"])
下一步实验该针对哪一种不一致
将四位供者分别连线,比单独一张合并柱形图更能帮助实验设计。如果强向导在所有重复上都更强,下一步可以直接比较两条向导的分配信心、序列设计、靶位点和蛋白时间窗。若只有一位供者异常,应优先检查那份样本的建库深度、非靶向对照状态和靶基因最初表达量。如果基因组测定已显示两个位点都有编辑,但只有一条出现转录响应,还应考虑编辑产物、蛋白稳定性、采样时间及脱靶等解释。现有表达表能够提出这些彼此可区分的问题,无法单独裁决它们。Seurat 单细胞扰动分析
可以设计一次反事实练习。在生成脚本中把弱向导的响应概率调到与强向导相同,保持供者数和每组细胞数不动。另建目录重跑,比较两个向导的程序中位数、靶蛋白差和方向一致性是否趋近。再把每组细胞数减少,重复几次抽样,看看弱效应何时会出现方向翻转。两种改动一个针对生物学有效比例,一个针对观测精度,应分两次完成。只有这样,读者才能把“真实平均响应较弱”同“这个重复碰巧没有测准”分开。
应单独排查两条向导进入样本的细胞数是否差很多。本例故意把两条向导配平;真实实验中,一条向导可能每个重复有几百颗,另一条只有十几颗。可在每一份重复中按较小组的数量对较大组做多次抽样,重复整套汇总,画出两套供者内效应的范围。若强向导降采样后仍然稳定,差别更值得继续验证;若区间高度重叠,数据支持的是现有精度有限。保留每次的随机种子,并同时报告完整数据得到的结果,别只挑出最支持某个说法的一轮。
还可检查靶向组是否因细胞死亡选择性丢掉了某种状态。能捕获的存活细胞比例变化本身就可能影响总体程序,需与起始细胞数、向导分配及同期活性读出一起解释。
最后如果需要写一句研究结论,可以清楚指明哪些结果依赖第一条向导。比如,本例中两条向导都伴随响应程序上调和靶蛋白下降,但大幅靶 RNA 抑制主要由第一条支持,弱向导在一个重复里方向还发生变化。这样的表述能直接帮助同事安排独立向导、补一份重复或增加位点测量。随后需要整批重算数十条向导与多个时间点的留一结果时,再按样本和待比较组合数选择云生信科研服务器租赁。
