得到三个突变簇之后,很多人会按细胞比例从大到小把它们串成一条线。这样的图看起来顺理成章,却可能把数据没有提供的信息画成确定结论。比例较低的一组可以属于另一组的后代,也可能是共同祖先产生的另一条分支。聚类回答哪些突变具有相近的样本间丰度,树推断还要回答这些突变群之间的包含关系,两者不能直接画等号。
这次实际安装 PhyloWGS 20181105,生成十八个原创突变的读段计数,分别用一个样本和两个样本运行原生多链推断。两个条件使用相同的第一个样本,差别仅是后者增加第二个样本的信息。结果显示,单样本输出里仍有一批把分支甲放在分支乙上游的树,双样本输出中这一类树没有出现。不过,双样本的两条链对突变组是否被拆开的比例并不完全一致,因此本文也会解释为什么不能只选一棵漂亮的树交差。

先分清突变组频率与互斥细胞群
先设想三个突变组,分别叫共同组、分支甲和分支乙。在第一个样本中,携带这些突变的细胞占全部细胞的比例依次为八成、五成和两成。这里的分母包含正常细胞,不是只统计肿瘤细胞。共同组出现在所有模拟肿瘤细胞中,因而它的比例也决定了这次简化设置中的肿瘤细胞比例。不要把这组数直接当作已经除以纯度的癌细胞比例。
三个比例相加超过一并不矛盾。携带分支甲突变的细胞同时携带祖先共同组突变,所以它们已经包含在共同组计数中。若甲乙是不同分支,共同组之下还有一成细胞不携带这两组分支突变,甲占五成,乙占两成,另有两成正常细胞。若甲是乙的祖先,则甲所代表的五成中又包含乙的两成,甲独有部分只有三成。两种结构都能解释单样本的这些边际比例。
这个例子提供一个很实用的读图方法。树节点上的携带比例通常是该节点及其后代的总和,而画堆叠细胞构成图时需要的是互斥细胞群比例。把前者直接相加会重复计算。检查一棵候选树时,可以从父节点比例减去直接子节点比例之和,看看是否出现不合理的负值。真实数据存在测量噪声和拷贝数复杂性,不能机械拿四舍五入后的数字否决结果,但这种核对能及时发现定义混用。
现在给同一个病例增加第二个样本,共同组仍为八成,甲变成两成,乙变成五成。如果甲始终是乙的祖先,携带乙突变的细胞就不应比携带甲突变的细胞更多。第二个样本的比例反转与这种关系不相容。两个样本提供的是共同满足的约束,因此改变了树关系的可分辨性。它们不是简单把同一个比例测得更精确,而是增加了一个不同方向的观察。
原创输入怎样对应软件实际读取的列
每组生成六个突变,每个位点在每个样本中有八百条总读段,合计十八个突变。生成器使用固定随机种子,按照细胞比例产生替代读段,再以总读段减去替代读段得到参考读段。所有位点都是简化的二倍体、杂合突变设置,没有拷贝数改变,没有患者信息,也没有人为给软件指定正确的树。这个设计用于观察约束改变后的推断行为,不能据此评估真实队列准确率。
输入中最容易写错的是参考计数与替代计数。PhyloWGS 的简单体细胞突变表里,字段 a 是参考读段数,d 是总读段数。如果直接把常见变异表中的替代计数填到 a,文件仍可能看起来合法,推断含义却已经反转。应先任选几个位点,把参考数、替代数、总数和预期变异频率手算一遍,再提交整批数据。
| 字段或文件 | 本次填写 | 需要核对的含义 |
|---|---|---|
| id 与 gene | s0 至 s17,生成组名称 | 编号连续,名称用于结果追踪 |
| a 与 d | 参考计数与总计数 | 多样本用逗号连接,顺序一致 |
| mu_r 与 mu_v | 0.999 与 0.499 | 模型中的参考读段概率参数 |
| cnv_data.txt | 空文件 | 本次没有加入拷贝数事件 |
生成替代读段时使用的概率为千分之一加上细胞比例的一半。这与上表参考概率参数的差值相配合。单样本输入只保留每个位点第一份计数,双样本输入同时保留两份计数,绝不重新抽取第一份。否则,如果两个条件同时改变了随机计数和样本数量,就难以判断观察到的差异来自哪里。生成脚本还保存每个位点的原始计数和组标签,方便把输出重新对应到实验设计。
真实项目不能因为这个例子使用空拷贝数文件,就忽略拷贝数事件。肿瘤纯度、局部拷贝数、突变发生的等位拷贝以及读段偏倚都可能改变变异频率与细胞比例的对应关系。本例刻意去掉这些因素,是为了单独讲清树关系,不是提供跳过上游分析的理由。实际准备数据时,应依据官方解析器说明核对受支持输入、样本顺序和拷贝数转换方式。
安装成功以后,还要确认调用的是哪个解释器
本次使用独立软件环境安装指定版本,环境内实际 Python 为二点七系列,NumPy 为一点一六系列。这个旧依赖组合说明,复现工具时不能只看自己终端默认的解释器版本。我们第一次直接调用入口脚本时,它根据环境变量找到了另一套 Python,随后提示缺少数值计算依赖。依赖实际已经装在专用环境里,问题发生在入口选择。
处理这种报错时,先检查脚本第一行和命令搜索路径,再检查目标解释器能否导入依赖。反复向系统环境安装同名包,会让路径关系更加混乱。下面的命令把环境目录和程序目录明确写出来,驱动脚本也会把该环境的可执行目录放在子进程搜索路径前面。外层驱动使用现代 Python,内部旧程序仍使用自己的解释器,两者职责分开。
micromamba create -n phylowgs-demo -c conda-forge -c bioconda \
phylowgs=20181105 python=2.7
python run.py \
--python2 /path/to/phylowgs-demo/bin/python \
--app-dir /path/to/phylowgs-demo/share/phylowgs \
--work phylowgs-output
python summarize290.py --work phylowgs-output
这里的路径要替换为实际环境位置,工作目录必须尚不存在。正式对照每个条件运行两条链,随机种子分别为二百九十和一千二百九十,每条链丢弃一千轮预热,保留两千五百棵采样树,内部更新次数为五千。此前另做过短采样确认安装与导出流程可用,本文结果来自上述较长设置。能够运行短测试,只能证明入口和文件格式基本可用,不能代替后续采样诊断。
原生程序分别产生各条链的树文件,同时产生合并树文件。导出时需要保留三份结果,而不能仅保留合并输出。我们实际遇到过把合并文件误认为位于额外子目录的问题,修正的是外围路径读取,没有修改原生推断算法。复跑时应先列出实际生成文件,再调用原生结果导出工具,避免把“没有找到文件”误诊为算法没有产生树。
结果要按预先定义的关系统计
这里没有根据最高分的一棵树给整个条件贴标签,而是逐棵读取突变分配和父子结构。只有某个原创组的六个突变都位于同一节点,才把该组看作完整节点。若任何一个组被分到不同节点,就单独记为组被拆开,不强行拼回生成时的分组。完整节点还需要满足共同组在甲乙上游,之后才能判断甲乙互为祖先还是不同分支。
这个规则可以减少结果整理中的主观选择。假如为了得到预期答案,把每个组最常见的节点当作全部突变的归属,就可能把分组不确定性隐藏掉。我们的汇总脚本检查真实突变编号及图中的可达关系,没有靠节点编号大小判断先后。节点编号只是标签,同样的生物关系可以用不同编号表示。
| 条件与链 | 不同分支 | 甲在乙上游 | 至少一组被拆开 |
|---|---|---|---|
| 单样本链一 | 1833 | 329 | 338 |
| 单样本链二 | 1869 | 318 | 313 |
| 双样本链一 | 2251 | 0 | 249 |
| 双样本链二 | 2442 | 0 | 58 |
每行总数都是两千五百。单样本合并后的五千棵树中,不同分支三千七百零二棵,甲在乙上游六百四十七棵,组被拆开六百五十一棵。双样本的相应数量为四千六百九十三、零和三百零七。这个对照支持的结论是,在本次构造的数据和采样设置中,第二个样本排除了已采到的那类嵌套关系,并提高了完整分支结构的出现频率。
它不支持把不同分支所占比例当作真实世界预测准确率,也不支持宣称另一种关系的概率严格等于零。有限马尔可夫链输出具有相关性,且受模型、先验、混合情况和输入误差影响。本次双样本两条链分别有二百四十九与五十八棵组拆分树,差异值得报告。若目标是对真实病例做稳定的树结构总结,还应增加独立链或采样长度,检查关系统计和关键参数是否稳定,而不是因为运行完成就宣布收敛。
怎样把这套检查用于自己的项目
首先固定问题层次。若只是想找到跨样本共同变化的突变集合,可以先评价聚类是否稳定。若要讨论哪组是另一组的祖先,则要进一步检查跨样本比例约束、拷贝数处理以及候选树之间的差异。不要把“成功得到三个簇”当作“已经证明三段演化顺序”。项目交付时可以分别提供突变簇表、候选关系汇总和代表树,让读者看到三者的区别。
其次检查哪些样本真正增加信息。来自不同区域或时间点的样本可能带来有价值的丰度变化,也可能几乎重复同一种组成。不能仅凭样本个数预测树会变得多么确定。可以先画各突变簇跨样本的丰度轨迹,寻找相对次序变化,再结合误差判断这些变化是否足够可靠。本例中的反转幅度故意很大,所以适合教学,真实数据中接近的比例通常需要更谨慎处理。
再次保留不能归入简单树型的部分。组拆分不一定意味着程序错误,也可能说明预设分组过于粗糙,读段噪声影响归属,或不同链仍在探索不同区域。应回到具体突变查看计数与局部注释,而不是直接把这部分树删掉。若要过滤突变,应事先说明准则,并比较过滤前后结果,避免依据最终树是否好看来决定保留哪些位点。
PhyloWGS 的优势是把突变分组与演化结构放在同一个推断框架中,并能利用多样本及拷贝数信息。代价是输入准备和采样诊断更复杂,旧软件环境也增加了复现维护成本。它适合愿意检查候选结构与不确定性的研究,不适合把一个按钮输出的代表树当作无须审查的事实。算法背景可结合原始论文阅读,运行入口与导出选项以官方仓库为准。
本次经验可以归结为一套顺序。先验证计数和比例定义,再验证解释器及输入路径,随后保留各条链的原始输出,最后按照可重复的规则汇总树关系。每一步都对应一种具体的误判来源。这样得到的结论即使仍有不确定性,也能清楚说明证据支持了什么,以及还缺少哪一类样本或检查。
下载原生运行驱动与实际结果摘要(ZIP)。附件说明安装版本、输入来源和复跑步骤,并保留结果解释边界。请在新的工作目录执行,逐项查看原生日志及输出状态,不能只检查外层脚本是否结束。
当分析扩展到多病例、多区域和多链重复时,可通过云生信生物信息学分析服务器服务准备独立运行环境与批量计算资源,同时保留每个病例的参数、日志和候选树记录。
