国自然生信实战20讲 · 第13讲 · 寻找细胞与作用环节

系列目录:国自然生信实战20讲(当前第13讲)
- 第01讲:国自然里的生信从哪里开始?把研究方向拆成可分析的问题
- 第02讲:公共数据怎么选?找到与你的研究问题真正匹配的数据集
- 第03讲:下载数据后先做什么?表达矩阵、样本分组和基因编号整理
- 第04讲:为什么有些数据不能直接分析?看懂异常样本与批次效应
- 第05讲:差异表达怎么做才有解释价值?从统计显著到生物学意义
- 第06讲:富集分析结果太多怎么办?从通路列表提炼研究主线
- 第07讲:哪些基因值得继续研究?把表达、功能和文献证据放在一起
- 第08讲:基因升高说明了什么?区分单个基因变化与功能状态变化
- 第09讲:换一批数据还成立吗?手把手做独立队列验证
- 第10讲:差异真的是疾病造成的吗?识别混杂因素与缺失信息
- 第11讲:换个阈值结论就变了?用敏感性分析检查结果稳定性
- 第12讲:两个队列结果不一致怎么办?从差异中发现研究边界
- 第13讲:为什么整体组织的变化还不够?用单细胞定位表达来源(本篇)
- 第14讲:是细胞变多了,还是细胞内部表达变了?拆解两种解释
- 第15讲:关键细胞发生了什么变化?从细胞类型走向功能状态
- 第16讲:细胞之间可能如何影响彼此?把通讯线索变成可验证的问题
- 第17讲:从一堆图到一个科学假说:整理现有证据与关键缺口
- 第18讲:生信之后做哪些实验?把候选线索拆成逐步验证的任务
- 第19讲:样本量和验证队列怎么规划?用模拟看清研究可行性
- 第20讲:把整个项目串起来:形成可复现分析包和完整技术路线
点击目录按篇次顺序学习;文末复现包包含全系列代码与起始数据。
组织信号来自哪类细胞
前面的组织分析显示,REG1A等候选在所选患者黏膜中的表达发生变化。但一块黏膜包含不同细胞,同样的组织平均值可能由不同组成产生。要进一步提出实验问题,我们需要知道候选更可能出现在哪些细胞状态中。本篇引入公开单细胞资料,目标是补充表达来源线索,而不是把组织关联直接升级为机制。
使用的数据为GSE116222,研究关注结肠上皮细胞,包含健康、非炎症区域和炎症区域的相关文库。公开表达矩阵有11175个细胞和58690行特征。本教程从九个文库各固定抽取200个细胞,共1800个细胞,并保留2000个高变特征及教学标记,最终形成2023行的轻量输入。抽样种子和原始来源均随附件提供。
为什么要明确这是教学子集
固定抽样便于普通电脑运行,也避免细胞较多的文库在可视化中完全压过较小文库。代价是稀有细胞可能被遗漏,状态比例受到抽样波动影响,某些文库内的细微结构无法稳定展示。因此,子集适合学习代码与观察基本模式,不用于重现原论文的全部结论,也不能替代完整数据的质量控制与正式统计分析。
这个资料主要覆盖上皮细胞。图里没有大量免疫或间质细胞,不代表患者组织里不存在这些细胞。取样和分离流程已经限制了我们能看到的范围。后面的组成比较也只讨论被采集并进入教学子集的上皮细胞状态,不把它称作完整结肠组织的细胞构成。这一限制会贯穿本阶段四篇文章。
先检查表达尺度,避免重复取对数
公开样本说明提到按每一万个分子进行归一化,作者提供的处理代码使用LogNormalize。我们进一步对下载矩阵进行数值核对:对全部基因的数值作expm1反变换后,每个所选细胞的总量约为一万,支持当前矩阵已经处于log1p归一化尺度。因此本篇直接使用提交者的处理值,不再取一次对数,也不把它当作原始整数计数。
这一步决定了后续能够采用哪些方法。虽然可以反变换得到归一化表达量,但它仍然不是原始UMI计数,不能随意送入要求原始计数的模型。若正式研究需要原始计数的伪批量差异分析,应另行取得可信计数和个体元数据,而不是靠四舍五入制造。轻量教程应该减小计算负担,不能减掉数据含义。
如何复查本篇的教学标签
先打开cells_with_states.csv,按文库统计各标签的细胞数,再与原始抽样清单核对。每个文库都应保留200个细胞,细胞名称不能重复。然后查看Unassigned细胞是否集中在某些区域或文库。待定标签可能反映信号不足、混合状态或规则不适合,应该作为进一步检查的入口,而不是一个必须清零的错误类别。
本篇标记均值直接基于提交者的对数归一化表达,不进行额外缩放。因此某些高表达标记可能对标签影响较大,规则本身也可能偏向某些状态。它的优势是透明且容易复核,局限是不能替代系统注释。正式项目应结合更多标记、参考资料、双细胞评估与组织知识,必要时保留多种可能标签。
读者可以选择一组标签,逐个检查组成标记,而不只看平均值。如果标签主要由一个基因支持,其余标记很弱,解释应更加保守。如果两个状态共享标记或具有生物学连续性,强行切成互斥类别可能过于简单。图上的颜色边界是分析规则,不一定对应真实组织中清晰分开的边界。
UMAP使用固定随机种子、近邻数量和随机初始化。修改参数时图形可能旋转、拉伸或改变局部间隔,因此不能把二维坐标距离当作可直接比较的生物学量。比较不同运行时,应先确认输入与标记模式是否一致,再看较稳定的结构。为了让图更像预期而反复调参,会使可视化失去探索价值。
本次输入保留高变特征和指定标记,因此不能用这个缩减矩阵重新计算原始测序深度、完整线粒体比例或全转录组检出率。这些指标需要完整合适的输入。教学子集提供了轻量入口,也明确留下正式分析必须回到更完整资料的环节。不要把子集里缺少一个基因解释成原始研究没有测量它。
最后,用一句话描述你的定位结论,并尝试去掉所有因果词。如果剩下的是“在当前教学子集和规则标签下,候选在某些状态中更常观察到”,通常更接近现有证据。后续只有补齐独立样本、注释与功能资料,才能逐步扩大结论范围。
运行方法与输出检查
下载文末完整复现包后先解压,将R的工作目录切换到其中的workbook目录,再运行下方命令。不要只复制某一行分析语句,因为公共函数、输入文件和前序结果需要保持同一套目录关系。本篇读取单细胞教学子集及文库对应表;附件已包含这些起始文件,因此可以单独学习本篇,也可以按顺序运行全系列。
Rscript scripts/13.R
脚本会把本篇表格和三张图写入results/13目录。运行结束后先检查输出表中的样本标识、列名与正文说明,再打开图片核对坐标和分组。出现报错时保留原始输入,先查工作目录、文件完整性及依赖版本,不要通过改分组或填补不存在的数据来让代码继续。下载包内的版本记录来自实际验证环境,安装时请保持R与Bioconductor依赖相容。
下面提供本篇完整R脚本;它会载入scripts/common.R中的公共函数。共用函数、数据整理代码和逐步日志也包含在复现包中,便于检查每一步的输入与输出。
source("scripts/common.R")
o<-start(13);x<-as.matrix(read.csv(gzfile("data/sc_normalized_subset.csv.gz"),row.names=1,check.names=FALSE));m<-read.csv("data/sc_cells.csv")
stopifnot(identical(colnames(x),m$cell),!anyDuplicated(rownames(x)))
# The supplied matrix is ALREADY log1p normalized per 10,000. No second normalization.
markers<-list(Goblet_like=c("MUC2","TFF3","SPINK4","CLCA1","FCGBP"),Absorptive_like=c("CA1","CA2","SLC26A3","KRT20","FABP1"),Cycling=c("MKI67","TOP2A","STMN1","UBE2C"),Endocrine_like=c("CHGA","CHGB","NEUROD1"),Tuft_like=c("POU2F3","TRPM5","AVIL"),Stem_like=c("OLFM4","LGR5","SMOC2"))
scores<-sapply(markers,function(s)colMeans(x[intersect(s,rownames(x)),,drop=FALSE]))
best<-max.col(scores,ties.method="first");margin<-apply(scores,1,function(z)diff(sort(z,decreasing=TRUE)[2:1]));m$state<-colnames(scores)[best];m$state[apply(scores,1,max)<.5 | margin<.15]<-"Unassigned"
v<-apply(x,1,var);pc<-prcomp(t(x[order(v,decreasing=TRUE)[1:1000],]),center=TRUE,scale.=FALSE,rank.=20)
um<-uwot::umap(pc$x[,1:15],n_neighbors=20,min_dist=.3,n_threads=1,nn_method="annoy",init="random",verbose=FALSE);colnames(um)<-c("UMAP1","UMAP2")
saveRDS(list(x=x,m=m,umap=um,markers=markers,scores=scores),paste0(o,"/sc.rds"));save_table(cbind(m,um),paste0(o,"/cells_with_states.csv"))
pal<-setNames(c("#199C97","#E78C49","#5679B8","#965A86","#9B9C4B","#5B8970","#A9BBC3"),sort(unique(m$state)))
fig(paste0(o,"/fig1.png"),{plot(um,pch=16,cex=.5,col=pal[m$state],main="Marker-rule states, not validated cell identities");legend("topright",names(pal),col=pal,pch=16,cex=.65)})
fig(paste0(o,"/fig2.png"),{plot(um,pch=16,cex=.5,col=cols[m$condition],main="A balanced teaching subset");legend("topright",c("Healthy","Noninflamed","Inflamed"),col=cols[c("Healthy","Noninflamed","Inflamed")],pch=16,cex=.8)})
avg<-sapply(sort(unique(m$state)),function(s)rowMeans(x[unique(unlist(markers)),m$state==s,drop=FALSE]));save_table(data.frame(gene=rownames(avg),avg,check.names=FALSE),paste0(o,"/marker_means.csv"))
fig(paste0(o,"/fig3.png"),{par(mar=c(8,8,3,2));heatmap(avg,Rowv=NA,Colv=NA,scale="none",col=colorRampPalette(c("white","#199C97"))(30),margins=c(10,7),cexRow=.7,cexCol=.7,main="Inspect markers behind each label")})
教学标记状态怎样产生
本篇使用公开代码中明确列出的标记集合,计算每个细胞的平均标记表达,给出Goblet_like、Absorptive_like、Cycling等教学标签。标记得分过低或前两名过于接近时,保留为Unassigned。标签带有“like”,是为了提醒读者这是规则驱动的初步状态归类,不是完成全面人工复核后的正式细胞身份。
| 教学标签 | 示例标记 | 解释边界 |
|---|---|---|
| Goblet_like | MUC2、TFF3、SPINK4 | 支持分泌相关表达特征,不代表完整身份确认 |
| Absorptive_like | CA1、CA2、SLC26A3 | 支持吸收相关标记,不保证状态均一 |
| Cycling | MKI67、TOP2A、UBE2C | 反映增殖状态,可能跨越不同细胞谱系 |
| Stem_like | OLFM4、LGR5、SMOC2 | 需结合更多标记及组织背景 |
| Unassigned | 信号不足或难以区分 | 保留不确定性,不强行归类 |
UMAP是展示工具,不是证据等级的提升
我们先在高变特征上进行PCA,再用uwot生成二维UMAP。固定随机种子与参数,便于重复展示。图上靠近的细胞在当前特征空间内较相似,远离的团块可能反映状态、文库或其他因素。不能仅凭图上的距离推断细胞之间有发育关系,也不能把某团块扩大理解成真实组织中数量必然增多。

第二张图使用相同坐标按取样条件着色。对比两张图,可以观察条件与状态分布是否存在值得追查的关系。它并没有消除文库差异,也没有完成供体效应控制。当前公开系列和样本元数据不足以让我们在教程里可靠声明所有配对关系,因此本阶段不输出供体层面的疾病显著性结论。

用标记图反过来检查标签
第三张图显示不同教学状态的标记平均表达。读者应检查标签是否有对应标记支持,以及是否同时出现不易兼容的特征。若某个标签只是由单一高表达基因决定,应更加谨慎;若多个标记之间矛盾,应保留待定并回查质量、双细胞或其他解释。自动给出的标签应该接受检查,而不是因为它来自代码就直接写进结论。

本次子集里有些状态细胞很少,例如Tuft_like仅有极少数细胞。这类标签只用于说明流程能够保留稀少状态线索,不能据此比较人群差异,更不能为后续实验优先级提供强证据。正式分析需要更多细胞、更完整的标记与独立样本支持。未归类细胞也应保留,而不是为了让图整齐全部塞入最近的一类。
把定位结果转成后续问题
假设候选主要出现在一种上皮状态中,下一步可以问:患者条件下这种状态是否更多,还是同一状态内部候选表达更高?这两种解释需要不同汇总方式,也是第14篇的重点。如果候选没有在教学子集中明显表达,先检查抽样、测量深度与状态覆盖,不要直接宣布组织结果是假的。
本篇交付细胞与文库对应表、教学状态标签、UMAP坐标和标记检查图。完整脚本保留规则和参数,读者可以据此修改标记并检查结果变化。迁移到自己的课题时,应补齐原始质控、双细胞评估、供体信息和更严格的注释验证,再决定哪些定位结论足以支持实验设计。
代码、数据与继续阅读
下载完整复现包:20篇R脚本、整理输入、起始结果、运行说明与版本记录。包含公共数据教学子集;不包含任何实际实验结果。解压后先阅读README。
承接第12讲:两个队列结果不一致怎么办?从差异中发现研究边界。
下一篇第14讲:是细胞变多了,还是细胞内部表达变了?拆解两种解释。
数据与方法来源
数据与方法核查日期:2026年11月16日。本文为教学二次分析;具体适用范围见正文。
需要把方法用到自己的数据中?
如果单细胞结果难以转成实验问题,可以准备样本层级、细胞规模和候选状态摘要,沟通定位与证据整理的范围。 联系云生信,说明当前研究任务。
