看到一个肽段的百分位排名为零点三,能不能说它有百分之九十九点七的概率被呈递?不能这样换算。排名描述预测结果相对于某个参考分布的位置,实验发生概率则需要另一套证据与校准。把两者混在一起,会让一个用于筛选的分数看起来像已经确认的生物学事件。
本文以 NetMHCpan 4.1 的官方输入输出说明为基础,解释百分位、结合亲和力和候选计数的区别,并实际运行原创读表练习。我们没有下载或执行 NetMHCpan,也没有调用其在线预测服务。练习只给六个肽标识与 HLA 组合人为指定数值,没有真实肽序列,不能被解释为软件预测或性能验证。

一个结果行同时包含对象和评分定义
NetMHCpan 面向一类主要组织相容性分子与肽段的预测。分析前需要明确输入是蛋白序列还是已经整理好的肽列表,以及实际评估哪些分子类型。一个肽在不同 HLA 条件下会形成不同的预测对象,所以输出行不能只用肽序列来理解,还应保留对应的分子名称和来源信息。
若输入完整蛋白并切成多个重叠片段,同一段区域又会产生多个不同长度与起点的对象。后续即使筛出很多行,也可能都来自同一个变异附近的相邻片段。报告时应分别说明行数、不同肽数和来源事件数,避免把展开后的候选规模误当作相互独立的生物学证据数量。
有关输入格式、输出字段和该版本的评分设置,可以查阅官方 NetMHCpan 4.1 页面。本文只讨论这次核对的版本定义,不把不同版本或不同工具的同名字段直接合并为同一量。跨版本比较前,应先核对字段、模型与报告方式。
EL 与 BA 应当并排理解
该版本默认提供与洗脱配体相关的预测输出,也可选择结合亲和力相关输出。前者与后者采用不同的任务定义,不能把某一列的数值直接替换到另一列。尤其是原始分数、百分位与以浓度单位表达的预测值,数值越大或越小的含义以及所依据的参考都可能不同。
以浓度单位报告的结合预测值,仍然是模型估计,不是本次实验测得的浓度。相关配体评分也不能直接扩展成某个样本里必然发生呈递的结论。一个候选从来源表达、加工和呈递到被免疫细胞识别,中间还有不同环节。预测可以帮助安排核验顺序,但不能把这些环节自动补齐。
因此,当两类评分对某个候选的排序不一致时,先检查它们是否本来就在回答不同问题。不要为了得到单一答案,把两个不同量纲的列直接平均,也不要挑选更有利的一列而省略另一列。更透明的做法是保留各自定义,并按照预先确定的研究目的安排优先级。
百分位的分母是参考分布
百分位排名把当前预测放到参考肽段的分数分布中比较。较小的值表示在这一比较下处于更靠前的位置。它既不是把当前候选列表从小到大排序后计算出的行号百分比,也不是从实验中观察到的阳性比例。即使本次只提交几个对象,输出百分位也不需要按这几个对象重新分配。
由此可以看出,删掉报告里的几行,并不会让其余行的模型百分位自然变成新的名次。若下游脚本重新计算了当前表内的排名,应另起字段名称,明确那是本批数据中的排序。不能继续沿用原来的预测百分位列名,否则同一个字段在前后两个文件里就代表了不同概念。
百分位也不等于统计检验的显著性概率,不能因为数值小于某个常见界限,就宣布已经通过实验假设检验。多个肽长、多个等位基因和多个来源事件共同参与筛选,还会改变候选集合的组成。模型的排名定义不能自动替代项目所需的多重比较和实验验证设计。
原创六行表怎样展示评分差异
练习构造三个肽标识,每个分别配两个 HLA 标签,共六行。所有分数都直接由脚本写入,不含任何预测计算。我们采用明确的自编条件,相关配体百分位小于二时保留,另一个条件则要求结合预测值小于五百。两种条件单独执行,以便观察它们得到的集合是否相同。
| 教学对象 | 人为 EL 百分位 | 人为 BA 数值,nM |
|---|---|---|
| P1 与 A 标签 | 0.3 | 800 |
| P1 与 B 标签 | 1.5 | 90 |
| P2 与 A 标签 | 2.5 | 40 |
| P2 与 B 标签 | 2.0 | 900 |
| P3 与 A 标签 | 0.49 | 499 |
| P3 与 B 标签 | 0.5 | 500 |
表里的 A 与 B 分别对应附件中的两个 HLA 标签,只用于识别组合。P1、P2、P3 也只是教学标识,没有真实序列,因此读者不能从这些数值推断任何肽的实际结合能力。这样的设计用于检验读表规则,优点是每个结果都可以手算,局限是完全没有验证模型本身。
实际运行后,百分位条件保留四行,但只涉及两个不同肽标识。结合数值条件保留三行,却涉及三个不同肽标识。若只看行数,前一种方案似乎候选更多。若研究问题是有多少不同肽进入后续核验,则后一种方案反而覆盖更多标识。两个计数都正确,但统计对象不同。
两个筛选集合的差异比数量更有信息
百分位条件独有的组合包括 P1 与 A,以及 P3 与 B。结合数值条件独有的组合是 P2 与 A。它们说明某个对象可以在一种评分下满足当前条件,在另一种评分下不满足。这是我们构造数据时刻意设置的情况,不能用来宣称任一评分在真实数据中更敏感或更准确。
| 练习规则 | 保留组合数 | 不同肽标识数 |
|---|---|---|
| EL 百分位严格小于 2 | 4 | 2 |
| BA 数值严格小于 500 | 3 | 3 |
| EL 百分位严格小于 0.5 | 2 | 2 |
真实分析中,可以同样导出两种条件的交集和各自独有部分,再逐条审阅关键候选。这样比简单宣布某个阈值“筛出了更多”更有解释力。若后续选择把两种条件合并,应明确采用交集还是并集,以及这种决定会排除或增加哪些对象,不能只保留一个总数而省略集合变化。
一个常见错误是先按肽标识去重,只留下分数最好的那一行,再把结果称为该肽对所有 HLA 的总体结论。这个操作实际上选择了最有利的条件,并丢掉其他组合的信息。若研究目标确实是寻找至少一个合适的呈递条件,可以做这样的汇总,但必须同时保留被选中的条件和其他组合的映射。
严格阈值和显示舍入要分别记录
本次自编练习明确使用严格小于,所以恰好为二的百分位没有进入第一个集合,恰好为五百的结合数值也没有进入第二个集合。百分位恰好为零点五的对象没有进入更严格的零点五集合,但仍可进入小于二的集合。这里验证的是自己的条件表达式,没有测试原生程序内部的边界或舍入行为。
官方说明给出强弱结合标签所依据的百分位界限,但实际核对结果时仍应注意当前版本输出精度。显示值被舍入后,未必保留了原始数值与界限之间的细微关系。不要只看到表格上几个小数位相同,就断言两个结果在筛选前完全一致,更不要通过手工改小数来达到想要的标签。
阈值应服务于明确的候选选择目的。把界限从宽改严,可以减少保留对象,却不会自动保证剩余对象都真实有效。若某项结论对边界附近的少数对象特别敏感,应把这种敏感性写出来。比起给所有对象套上绝对肯定的标签,报告数值、条件和后续验证路径更容易让读者判断证据强弱。
肽段、核心和来源位置不要混作一个标识
输出中可能同时包含完整肽段、相互作用相关序列和用于对齐的核心表示。这些字段有不同用途。若需要追踪提交的对象,应保留完整肽与来源信息,不能把核心字段直接当成原输入。两个不同长度的肽可能共享一部分核心,但它们仍然是不同的实验候选。
类似地,相同肽序列可能来自不同来源记录。若后续研究关心变异归属、转录本或表达支持,单按序列去重会丢掉来源关系。可以建立一张去重肽表用于计算,同时保留肽与来源对象之间的映射。这样既减少重复处理,也不把计算去重误写成生物学来源唯一。
位置字段还需要与输入模式一起理解。蛋白切片得到的位置用于回到来源序列,直接提交肽列表则可能有不同的追溯方式。若跨文件合并,先核对坐标和标识定义,不要假定两个同名位置列必然指向同一个参考对象。一个位置偏移错误可能让本来正确的预测被归到错误的变异附近。
预测优先级之后还需要什么证据
得到候选列表后,应回查 HLA 输入是否符合研究对象,以及来源序列与注释是否正确。一个计算结果对指定标签有效,不意味着该标签就属于当前样本。输入分型分辨率不足或存在歧义时,也应保留这种不确定性,不能只选出最有利的标签组合而隐藏其他可能。
来源表达与实际呈递是不同层次。检测到来源表达可以支持候选进入下一步,但不能单独证明某条具体肽已经出现于细胞表面。结合预测较好也不能单独证明免疫细胞会识别它。后续验证应按研究问题安排,并在报告中区分模型推断、来源支持与直接实验观察。
如果比较突变与对应参考肽,还要确保两者在相同长度、位置和分子条件下可比。只取突变对象的最好组合,再与参考对象的另一个组合比较,可能人为放大差异。应保留成对关系和缺失原因,避免把没有成功计算的对象当成已经证实的弱结合对象。
实际跑一遍自己的读表规则
附件只依赖 Python 标准库,运行后生成六行教学表以及筛选集合摘要。脚本记录了组合数、不同肽标识数、两种规则各自独有的对象和边界说明。输出目录必须尚不存在,解压后在相应脚本目录执行下面命令即可复算。
python run.py --work netmhcpan-score-review
核验时可以先手算两个集合,再打开结果文件逐条对应。特别关注同一个肽标识是否出现多次,以及去重前后统计对象是否改变。这样的练习虽然不执行预测,却能在真实结果进入汇总脚本之前暴露定义错误,避免把一个程序顺利输出的数字误当作已经解释清楚的科学结论。
本次最有用的经验是,分数名称、单位、比较对象和计数层级要一起保存。NetMHCpan 的价值在于帮助组织候选优先级,其局限是结果仍依赖模型任务、输入和适用范围。本文没有实际预测准确率或运行性能结论,也没有把未取得相应许可的软件写成已经实跑。核查日期为二〇二六年十一月十八日。
下载五篇复跑与原创审阅练习包(ZIP)。附件按工具分别提供驱动脚本、安装或运行说明与实际核验摘要,明确区分原生分析、原生筛选组件和自编读表练习,便于逐项核对本文结果。
当候选生成与读表规则确定、准备在合适许可范围内扩展到更多样本和组合时,可以整理软件版本、样本规模与拟运行步骤,向云生信咨询生物分析服务器与环境支持,按实际任务安排环境。
