一张单细胞点图里,CD4 T 细胞旁的 GP9 小得像墨点,颜色却很深。看图的人可能会说,这群细胞强烈表达 GP9。真实计数给了一个更细的答案:五千五百六十颗被标成 CD4 T 的细胞里,只有三十三颗读到过这个基因。阳性细胞中的标准化均值约十四点四八,把其余五千多颗也放回去,全群均值只剩零点零八六。深颜色从哪里来?下面我们从这三十三颗条码开始,亲手重建一张点图,并画出八位供者各自的结果。

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)
点大小对应哪一群细胞
数据来自 Kang 等人的公开外周血实验。练习只取对照条件,按原对象的谱系标签和供者标识整理,共一万二千三百一十五个细胞。每个条码保留九个待画基因的原始计数,以及原对象整张矩阵的分子总数。运行时先用某基因原计数是否大于零定义本次测量的阳性,再用阳性细胞数除以该组有资格纳入的全部细胞数。检出率描述的是在这种深度、建库方式和筛选条件下,能在多少条码里读到目标,不等于组织里实际产生过这种蛋白的细胞比例。Kang 等多供者实验
这里有一个很容易忽略的陷阱。若为了文件小只导出九个基因,再用这九列之和作为每颗细胞的全库深度,那么九者中某一个高表达时,其他基因会被动下降。练习另留完整计数总量,避免把展示面板误当成整库。同样,比较不同组时先固定用于作图的条码集;如果 A 基因只在一部分测序样本有机会被检测,应另标哪些样本测过。某个基因不在原始测量面板里,不能把整组一律补零,然后用数字零解释为无表达。
颜色经过两次处理,先算第一次
在每颗细胞内,用目标基因计数除以全库分子数,再乘一万。按群求这些线性值的算术均值,所有零值都参与。若起点是常见的对数归一层,先用反变换回到线性尺度再算,最后才对群均值取自然对数加一。不能先把细胞对数值平均,再把结果当成同一个量。对分布均匀的基因,两者有时接近;对少数条码非常高、绝大多数为零的基因,差别能很大。随包代码把两种最值得对照的数字放在一起:全部细胞的线性均值,以及仅在阳性细胞中计算的线性均值。
def summarise(cells,genes,group):
records=[]
for key,g in cells.groupby(group):
key=key if isinstance(key,tuple) else (key,)
for gene in genes:
y=10000*g[gene]/g.total_umi
pos=g[gene]>0
records.append((*key,gene,len(g),int(pos.sum()),pos.mean(),y.mean(),y[pos].mean() if pos.any() else np.nan))
t=pd.DataFrame(records,columns=[*group,"gene","cells","positive_cells","fraction_positive","mean_all_linear","mean_positive_linear"])
t["log1p_average"]=np.log1p(t.mean_all_linear)
def zscore(v):
sd=v.std(ddof=1)
return (v-v.mean())/sd if sd>0 else np.zeros(len(v))
t["scaled_colour"]=t.groupby("gene").log1p_average.transform(zscore).clip(-2.5,2.5)
return t
如果同一组的每个阳性条码权重相同,那么全群均值应近似等于阳性比例乘阳性均值。用 GP9 的三十三除以五千五百六十,再乘十四点四八,就约等于零点零八六。这个简单乘法比猜作图函数默认设置更可靠。遇到表中三个数对不上,先查分母有没有被表达缺失、双细胞过滤或样本合并改变,再查数值是否已取过对数。没有一个阳性细胞的组,全群均值可以是零,阳性均值则无从计算。输出中特意把后者留为空值,以免把无观察伪造成一个测到的表达量。
| 在本组检查的基因 | 阳性条码 / 组内条码 | 全群线性均值 | 仅阳性均值 | 基因内缩放颜色 |
|---|---|---|---|---|
| CD4 T 群 GP9 | 33 / 5,560 | 0.086 | 14.48 | 2.09 |
| CD4 T 群 PF4 | 111 / 5,560 | 0.542 | 27.13 | 1.95 |
| 树突细胞 FCER1A | 58 / 258 | 2.019 | 8.98 | 2.47 |
为什么低均值仍然能得到深色
为了画出各个基因在不同类别里的相对差别,点图常把每个基因的群均值单独标准化。先对同一基因的所有组均值取对数,再减去跨组均值,除以跨组标准差,最后截断颜色范围。GP9 在这张表里即使绝对表达不高,仍可能比它在其他类别中的数值偏高,所以对应深色。另一个普遍高表达的基因即便有大得多的原均值,若在各组都差不多,也未必更深。读图时可以在同一个基因内部比较群间相对强弱;如果要跨基因比较分子丰度,就回到线性均值和检出比例两列。Seurat DotPlot 的统计量与缩放选项
还有一个可自行验证的现象。如果删去两个细胞类型,再让绘图函数从头缩放,剩余群的基因均值原封不动,颜色却会改变。因为缩放使用了进入该次图的所有组,删去了参照,均值和标准差就都变了。跨供者比较时同样如此。如果各画各的图,每张图按自己的最大最小值上色,深红与深红未必代表同等数值。我们的供者分面使用一份联合缩放与固定的色轴,另一张汇总图基于全体类型单独缩放,阅读时需分别理解。若要在两份不同项目间比较,最好额外附上固定颜色范围的未缩放均值图。
python -m pip install -r requirements.txt
python run.py --input example --out results
查这三十三颗条码,到底集中在哪里
读者可以把逐细胞原表按类型和基因原始计数过滤,然后按供者统计阳性与全部条码。八名供者的总量差别可能很大,直接合并相当于让细胞多的供者占更高权重。如果某个供者贡献了大多数阳性,在点图下面列出它的比例、绝对阳性数以及其他供者的检测深度,就比笼统声称“在 CD4 T 中高表达”清楚。接着看同一批条码中 PPBP、PF4、CD3D 等基因是否共同出现,检出是否只有一个分子,多个血小板标记是否落在同一颗细胞。这样的结果可以支持后续复核环境 RNA、细胞黏连或双细胞,不能单靠一张点图裁定是哪种原因。
import pandas as pd
x = pd.read_csv("example/counts.tsv.gz", sep="\t")
t = x[x.cell_type.eq("CD4 T cells")]
print(t.assign(positive=t.GP9.gt(0)).groupby("donor").positive.agg(["sum","size","mean"]))
print(t.loc[t.GP9.gt(0), ["barcode","donor","GP9","PPBP","PF4","CD3D"]].head())
若准备把图放进论文,可以给核心结果增加一个小表,列出每种细胞类型有多少独立供者可观察,供者间检出比例的中位数和范围,以及至少观察到若干阳性细胞的供者数。这个小表回答另一个在汇总图上看不到的问题:一个点由多数供者贡献,还是几乎只来自一份细胞很多的标本。对数量极少的类别,甚至一颗新增条码都能明显改变点大小。把观察到的原始计数与比例一起写出来,能让读者自行判断精度。
回看树突细胞的例子,也能避免把这套解释只记成“颜色深都是假象”。两百五十八颗里有五十八颗检出 FCER1A,阳性均值接近九,全群均值约二。它的点面积明显大于前面那个只有三十三颗阳性的例子,仍值得检查不同供者中的重复情况。如果两组基因的缩放颜色接近,可以把每个阳性细胞的原计数画成小提琴旁的抖动点,列出一分子与多分子各有多少条码。这个补图回答阳性细胞内部的信号是否稳定,比比较两颗点谁蓝得更深多提供了一层实际证据。
最后一个细节是点面积。有些软件默认用半径映射比例,本例用散点面积映射;因此数值完全相同,两个版本的点看起来也可能大小不同。汇报时先在图例标出分子和分母,在最关键的一两个点旁标上阳性数和总数,避免观众用肉眼估计绝对百分比。给合作者的读图顺序可以从这三步开始:点有多常见、全群究竟有多少分子、相对其他组为什么偏高。等到需要在几十种亚群和一整批供者间重画多个基因面板时,再根据原矩阵大小和需要保留的分层结果选择云生信科研服务器租赁。
