重画论文里的 UMAP,有时只是岛屿向左旋了九十度,有时是真的把细胞放到了另一批邻居中。两种情况放在投影幕上都像“长得不一样”,修复的地方却相距很远。我们拿出 Scanpy 公开 PBMC3K 参考流程中保存的真实坐标,在相同条码上做两个已知原因的对照。一个只改变图纸的方向,另一个从分析特征开始重算。通过条码表、表达层、主成分、邻近细胞和二维坐标,看看能否精确指出差异第一次出现在哪里。

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)
先确认图上的每个点是谁
参考对象包含两千六百三十八颗已经通过原流程过滤的细胞。本例按作者的粗粒度标签分层,每类最多抽八十五颗,共得到五百六十二颗。抽取时同时保存原对象已经标准化的表达层、主成分、二维坐标、标签及基因顺序。那些坐标是原始流程放在更大细胞集合里训练后的位置。取出子集时直接保留它们,不会自动生成一张新布局。后面为了可比,在共同条码内部用同一距离重新找邻居。因此我们的邻居表不是公开原图的全部边,只反映这个明确划定的比较问题。Scanpy 的 PBMC3K 公开参考流程
拿到两套结果时,第一步不是把坐标拼上去,而是核对细胞键是否唯一、两个集合各有多少独有和共有条码,再按共同顺序对齐。不同文库常有相同的短条码,项目编号和采样标识不能丢。一个人手里保存的行按字母排序,另一个对象的行按入库顺序排列,两份坐标长度完全一样也可能对应错人。错配之后,每一列的分布、聚类人数、图形外轮廓看起来仍然正常,只有一对一核查具体条码才能发现。理想的对照文件同时提供条码、样本和作者的原标签,允许从任意一个点退回源数据。
构造一个图形改变、距离完全相同的例子
先把公开参考坐标乘以一个二维旋转矩阵,再对所有点加上同一个平移向量。这个操作没有碰表达矩阵、主成分或细胞顺序。任意一对细胞间的欧氏距离都保持不变,理论上二维最近邻也应相同。对每颗细胞比较构图用主成分里的十五个邻居,成员重叠率的中位数为一;在二维空间重复这个检查,中位数同样为一。用允许平移旋转和整体尺度对齐的普氏比较,剩余形变接近零。这样就有了一个对照,说明肉眼看到的朝向变化能在数值上完全解释。
import numpy as np
x = np.load("example/reference.npz")["umap"]
rotation = np.array([[0., -1.], [1., 0.]])
turned = x @ rotation + [4., -3.]
print(np.linalg.norm(x[1] - x[0]), np.linalg.norm(turned[1] - turned[0]))
再构造第二种情况。取原本一千八百三十八个表达特征中的隔列一半,得到九百一十九个。在这些共同条码上重新拟合二十个主成分和真实的 UMAP。这个教学处理是为了在已知位置制造差异,不是在建议以列的奇偶作为选基因策略。与参考比较,差异首先出现在特征列表;主成分的拟合细胞范围也随之换成该子集,因此不能把后续的全部变化简单归结为“少了一半基因”。若想研究特征数本身,应该另外建立全特征、同样子集、同样算法的拟合,再与半面板结果成对比较。
def edges(matrix,barcodes,k=15):
# Stable query on the same ordered barcodes, excluding the centre itself.
fit=NearestNeighbors(n_neighbors=k+1).fit(matrix)
near=fit.kneighbors(matrix,return_distance=False)
return [set(barcodes[j] for j in row if j!=i) for i,row in enumerate(near)]
用两种邻居分别问两个问题
第一种邻居来自构图前的主成分空间,用来判断分析中的局部关系变了多少。第二种邻居直接来自二维图,用来判断布局上靠近的细胞是否一致。中心细胞不计入自己的邻居,成员匹配使用条码。两套各有十五个邻居,如果其中四个相同,交集四、并集二十六,交并比约零点一五四。这个值不依赖二维图的朝向。按原标签再计算邻域中属于同类的平均比例,能帮助区分“换掉了同谱系的邻居”与“跨越了已有的大类型边界”。标签由参考流程给出,适合复核宏观结构,同时也可能与建图所用表达有关,不能当独立的生物学真值。
| 对照 | 首次出现差异的位置 | PCA 邻居中位交并比 | 同标签邻居比例 | 二维邻居中位交并比 |
|---|---|---|---|---|
| 公开参考对自身 | 相同 | 1 | 0.887 | 1 |
| 仅旋转并平移 | 二维坐标 | 1 | 0.887 | 1 |
| 减半特征并重拟合 | 特征集合 | 0.154 | 0.742 | 0.111 |
真正应当进一步追查的是第三行。即使新的图依然有几块颜色清楚的区域,主成分邻居和原参考相比已经换掉很多。可以在边表里选一颗标签边缘的细胞,列出两图各自十五个邻居,然后把被换掉的成员拼回标记计数。若这些变化集中在细胞数量少、表达相近的类别,讨论应具体到该类,不能把某次总体交并比解释成所有细胞的复现精度。也可按不同邻居数重算,检查多数细胞的原大谱系能否在更大局部范围中保持。
python -m pip install -r requirements.txt
python run.py --input example --out results
# 重新训练降维时另装 umap-learn
python fit_umap.py --input example --out example/fit
当条码与表达层都对得上,下一处查什么
先打印特征的数量、名称和实际顺序,再比较两套 PCA 使用的归一、中心化、缩放与主成分数。主成分整列翻转符号并不会改变欧氏距离,特征向量符号不同不应自动判为数据错了。若特征值非常接近,某一组主成分在子空间里旋转也可能得到类似的距离。在场景允许时,除了逐列相关,还可直接比较共同条码上的邻居关系。若主成分与边权都对齐,差异才首次出现在二维坐标,再去查随机种子、初始化、布局版本和并行设置才有针对性。UMAP 作者对随机状态和并行的解释
有些论文只给了最终图片或染色图,没有逐细胞坐标和中间对象。此时仍可以核对源样本、细胞过滤数量、标记和已知类别,却无法宣称精确复现了原细胞邻边。把能检查到哪一层写清楚,比强求图形朝向一致更诚实也更省时。另一个实用做法是找出两套结果都能稳定识别的核心细胞与对设置敏感的边缘成员,分别报告。即使整体比较良好,稀有亚群的邻居一旦全部改变,仍可能直接影响文章结论。
通常我会再存一份很小的人工抽查表。每个大类选一颗位置接近中心的细胞,又选一颗靠着边界的细胞,为它们抄下原参考与新结果的邻居名单和标签。交给同事时他可以直接拿这些条码在完整对象里定位,不必加载全部距离矩阵。当中心细胞稳定、边界条码易变时,方法段可以分别描述两个区间的置信程度。若连核心条码也出现大幅改变,才值得把排查优先级放在归一层、基因顺序及批次处理上。
如果想量化随机种子本身带来的幅度,固定表达层、主成分和同一张已经存好的图,只重复二维布局。用同样的普氏对齐与二维邻居指标记录多个种子的范围,把这份自然波动同上游改动的结果放在一起。计算时切记保留每一次尝试,不能事后只挑出最像原论文的一张当成唯一代表。
实际交付时,为每张图保存条码顺序、输入层与特征列表、建图空间、参数以及生成程序版本。复现记录应写清哪个环节首次出现差别,哪些数字仍与参考一致,哪一类细胞受影响最明显。若将来需要对不同供者和参数从表达层重复整个过程,先完成一个小样本的核对,再按矩阵大小和需要保存的邻居图数选择云生信科研服务器租赁。
