同样观察到五十次接触,一个分箱对相距五千碱基,另一个相距四万五千碱基,它们提供的证据一样强吗?通常不能只比较计数。接触背景随基因组距离变化,相同观察值相对于各自背景的偏离程度可能完全不同。FitHiC2 的作用之一,就是把这种距离相关背景纳入显著性估计。
但输出了很小的显著性数值,并不意味着结果已经可以直接写成真实染色质连接。本次我们实际安装 Fit-Hi-C 2.0.8,使用人工接触数据检查距离范围、拟合轮次、偏差输入和候选对计数,还发现了固定分辨率路径与逐对枚举路径的一处计数差异。本文把这些结果作为软件语义和统计审阅练习,不把人工信号称为生物学发现,也不提供真实数据上的准确率结论。

一、三个看起来相近的数量,回答不同问题
第一种数量是接触总次数,即所有输入记录的计数相加。第二种数量是非零分箱对数量,即有观测接触的记录行数。第三种数量是满足分析条件的所有可能分箱对,其中包括没有观测接触的组合。这三个数不能互相替换,尤其不能用显著性结果文件的行数直接充当多重检验所涉及的全部候选数量。
本次构造一百二十个连续的一千碱基分箱,每个分箱用中点表示。所有输入只保存上三角的非零接触,没有把反向记录再写一遍。为了模拟稀疏性,我们按固定规则省略一部分分箱对,其他计数随距离增加而降低,再加入几个预先设定的强接触。
最终输入包含五千三百七十一个非零分箱对,计数总和三万一千二百一十五。在五千至五万碱基范围内,非零分箱对为三千一百九十八,而所有可能的无序分箱对可以直接枚举得到四千二百五十五。后面所有核对都从这几个明确的数量开始。
这种小输入的优点是可审计。遇到候选对数量异常时,可以把每一对列出来复算,避免同时猜测基因组缺口、染色体命名、掩蔽区和复杂分箱结构。它的局限也很清楚,真实接触矩阵的距离背景、覆盖差异和局部结构要复杂得多。
二、输入文件要保留正确的统计单位
片段文件描述全部候选分箱及其边际接触信息,接触文件描述非零分箱对及原始计数。两个文件中的染色体与中点必须能对应。中点不是分箱编号,输入一个连续编号代替基因组位置,会把距离单位一起改变。
本次主文件的边际数由人工接触表汇总,偏差对照则单独提供,不把经过平衡的连续矩阵值冒充原始接触次数。对于真实流程,应确认计数经过了哪些筛选与去重,同时确认偏差向量与当前分箱、参考版本和接触集合相容。输入布局及参数约定可查项目官方说明。
另一个容易混淆的参数是拟合分组数。命令中的二十个拟合组不表示基因组被重新切成二十个区间,它用于组织背景拟合。分箱分辨率仍然是一千碱基,两者属于不同层面的设置。把拟合组数当成输出分辨率,会让参数解释从一开始就走偏。
fithic -i contacts.gz -f fragments.gz \
-o base -r 1000 -L 5000 -U 50000 \
-b 20 -p 2 -l base
固定镜像、输入生成器和实际输出保存在实跑复现包。运行器会完成六组对照,并保留两轮拟合结果。这里没有执行真实读段比对、分子去重或偏差估计,这些属于输入进入当前工具之前需要明确的步骤。
三、相同计数,在不同距离下会得到不同解释
我们特意令两个分箱对都具有五十次接触,一个相距五千碱基,另一个相距四万五千碱基。第一轮固定分辨率运行的期望计数分别约为十点六六和二点四一。观察值一样,后者相对期望的偏离明显更大,因此显著性数值更小。
| 本次人工接触 | 观察计数 | 第一轮期望计数 | 第一轮原始显著性 |
|---|---|---|---|
| 相距五千碱基 | 50 | 10.663785 | 2.304826e−18 |
| 相距四万五千碱基 | 50 | 2.408162 | 3.525321e−47 |
这张表说明的是距离背景的作用,不表示距离越远就一定更值得研究。真实远距离接触可能非常稀少,也可能受覆盖和其他偏差影响。需要同时检查观察计数、期望值、有效偏差状态及重复样本的一致性,而不是仅按显著性排序后挑出最靠前的几行。
观察除以期望可以帮助理解相对富集,但期望接近零时,这个比值会变得不稳定。特别是下文的无效偏差占位输出,期望值为零根本不应拿来作除法。报告富集倍数前,必须先确认该行是有效估计,而不是缺少可用参数的占位记录。
同样,显著接触是相对于当前统计背景的偏离,不自动等于直接物理连接,更不能直接推断增强子调控了哪个基因。后续需要结合重复、位置关系和其他实验信息。工具提供的是筛选候选的统计证据,不是替代这些验证。
四、第二轮拟合会更新背景,但不等于把强接触从结果删除
本次第一轮识别了六个用于迭代处理的异常高接触。进入第二轮背景拟合时,这些接触不再参与相同方式的背景计数,因此日志中的范围内拟合记录数从三千一百九十八减少到三千一百九十二,计数总和也相应减少七百。
但是第二轮显著性文件仍然包含三千一百九十八行,原来的强接触仍在其中。这里变化的是背景拟合使用的数据,不是最终报告集合被简单缩短。只看第二轮日志中少了六条记录,就说软件删除了六个候选,是把两个阶段混在一起。
相距四万五千碱基、计数五十的那一对,第二轮期望计数从约二点四一降至一点九七,相应显著性进一步变小。相距五千碱基的对照变化较小。这说明迭代会改变不同距离上的背景,不能保证所有候选都按相同倍数变化。
比较拟合轮次时,应保存完整分组统计和显著性表,而不是只保存最后一列。至少抽查几个不同距离、不同计数等级的接触,确认背景变化是否有合理来源。也不能不断增加轮数直到目标接触显著,再把最后一轮当作唯一分析结果。
五、缩小分析范围,不只是把结果表裁短
第二组把上限从五万改为三万碱基,下限保持五千。输出非零接触从三千一百九十八变为两千零二,相距四万五千碱基的那一对自然不再报告。更值得注意的是,仍在范围内、相距五千碱基的接触,其第二轮期望计数也从约十点六三变为八点五四。
因此,缩小距离范围不是等价于“先分析大范围,再把范围外的行删掉”。背景拟合的数据集合和候选集合都发生了变化,保留下来的同一条接触也可能得到不同统计值。范围应该由研究问题和数据条件决定,而不是根据哪一组能让某个候选显著来挑选。
跨样本比较时,这一点尤其重要。若一个样本只分析近距离,另一个样本包含更远距离,两个显著性表就不具有简单的一一可比性。先统一候选定义、分辨率和有效分箱,再解释差异,才能避免把背景变化误当成条件特异的接触。
本次缩小范围后,校正值低于零点零五的输出从六行变为两行。这只是人工数据在两种设置下的计数,不是“删掉远距离噪声后准确率更高”的证据。那些不再出现的强接触主要是因为不在新的分析范围内。
六、偏差无效时,记录可能仍留在输出文件
提供全为一的偏差向量后,本次两轮结果与不提供偏差文件的主对照逐行一致。这个对照帮助确认文件对应关系和读取行为,并不表示真实样本可以总是忽略偏差。
随后把一个分箱的偏差改为十,超出本次默认允许范围。与它相连的四十行输出仍然存在,但对应偏差被标成负一,期望计数为零,原始显著性和校正值均为一。记录存在不等于该接触得到了有效估计。
| 本次偏差设置 | 输出行数 | 无效偏差占位行 | 校正值低于 0.05 |
|---|---|---|---|
| 不提供偏差 | 3198 | 0 | 6 |
| 全部偏差为一 | 3198 | 0 | 6 |
| 一个分箱偏差改为十 | 3198 | 40 | 4 |
因此读取结果时,应该把偏差有效性作为独立字段处理。不能把期望零解释成“理论上绝无接触”,再计算一个无穷大的富集倍数。也不能只用文件行数来统计有效检验,因为占位记录与正常记录可能共存在同一张表中。
我们还把片段文件第五列全部改为零,其他字段不变,结果仍与主对照一致。本次程序的候选筛选依据是实际读取的边际计数字段与门槛,而不是凭第五列名字猜测其作用。任何看起来像开关的列,都应该通过输入对照或代码核对确认,不能只凭列名推断已经排除了哪些分箱。
七、候选对总数的差异,需要单独报告
对于本次一百二十个连续分箱,距离为五至五十个分箱间隔的无序组合数量,可以对每个距离求和。距离五时有一百一十五对,距离五十时有七十对,合计四千二百五十五。这与脚本直接枚举所有不同分箱的结果一致。
然而,固定分辨率运行日志报告范围内候选对为八千五百一十,正好是手算的两倍。我们把同一输入送入逐对枚举路径作诊断对照,日志得到四千二百五十五。核查本次安装的源码,固定分辨率路径在范围判断和分组累计位置,对同一个候选对计数变量进行了两次累加,能解释这个数值差异。
n = 120
possible_pairs = sum(n - distance for distance in range(5, 51))
assert possible_pairs == 4255
这里应明确区分候选数、观察计数与最终校正值。候选总数参与多重检验处理,两条路径的拟合数值也不是逐元素完全一致。因此不能简单把全部校正值除以二,就声称完成修复。本文没有修改工具,也没有把诊断路径包装成已经验证的通用替代流程。
这个发现限定于固定的二点零点八版本、本文输入和调用方式。对应实现可查候选对生成源码,复现包保存原始日志和两条路径的结果。真实研究遇到类似不一致时,应先在最小输入上核实目标版本,再确认使用的统计口径。不能在候选集合尚未核清时,把校正值直接当作已经审定的最终结论。
需要强调的是,-r 0 在官方参数语义中用于非固定大小数据,本文把它用于同一小输入,是为了比较程序的枚举路径,并不是建议对所有固定分箱数据一律这样运行。数值核验与正式分析方案是两件事,诊断对照不能自动替代后者。
八、如何组织一份能被复核的显著接触结果
正式输出至少应该能追溯到原始计数、分箱坐标、偏差有效性、距离范围、拟合设置和候选集合。可以同时保留一个简洁摘要和完整结果文件,摘要展示重点候选,完整结果支持重新筛选与数量核对。不要只交付一张没有列含义的显著接触列表。
对于某个重点候选,应先确认两端覆盖及偏差是否可靠,再查看附近接触模式和重复样本支持。单个像素显著、邻近像素显著和一个连片区域显著,是不同层级的陈述。本次没有运行邻近候选合并步骤,因此也没有把六条显著像素称为六个独立环。
FitHiC2 的优势是把距离背景和期望计数带入接触筛选,让同样的观察次数得到更有上下文的解释。局限是结果依赖输入计数、偏差和候选集合,实际实现也需要版本核验。这次最有用的经验不是记住某个参数组合,而是先把能够手算的数量核对清楚,再讨论非常小的显著性值。
当输入、背景范围和版本行为已经核清,需要扩展到更多样本和分辨率时,可了解云生信生物信息学分析环境与算力服务,在保留完整运行与核验记录的基础上继续批量分析。
