生信论文返修实战20讲 · 第10讲 · 明确富集与单细胞边界

系列目录:生信论文返修实战20讲(当前第10讲)
- 第01讲:收到返修意见后怎么办?把审稿问题拆成可执行任务
- 第02讲:返修前先冻结分析:输入、版本与结果怎样重放
- 第03讲:样本量为什么对不上?核查纳入、排除与重复测量
- 第04讲:样本太少怎样回应?报告效应、区间与真实限制
- 第05讲:差异分析被质疑:模型、方向和多重检验逐项核查
- 第06讲:要求校正年龄和批次?先判断资料是否支持
- 第07讲:换个阈值还成立吗?做有边界的敏感性分析
- 第08讲:独立验证不一致怎么办?保留全部候选与证据
- 第09讲:富集结果怎样返修?检查背景、方向和贡献成员
- 第10讲:单细胞显著性可靠吗?先认清细胞、文库与供体(本篇)
- 第11讲:细胞注释与比例被质疑:标记依据和分母怎样交代
- 第12讲:拟时序和通讯怎样改写?避免把推断写成机制
- 第13讲:模型性能过高先查什么?用随机标签识别数据泄漏
- 第14讲:只有ROC不够:校准、误差与简单基线一起评价
- 第15讲:生存分析怎样返修?事件、截点与模型假设核查
- 第16讲:审稿人要求补实验:公共数据能支持到哪一层
- 第17讲:图形与图注怎样修改?展示样本、效应与不确定性
- 第18讲:方法写到哪里才够?参数、版本与数据代码可用性
- 第19讲:逐条回复怎么写?把动作、证据和修改位置对应起来
- 第20讲:提交返修前最后一查:正文、回复与附件保持一致
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。
单细胞返修,先回答“谁是独立样本”
单细胞图中几千个点很容易给人证据充足的感觉,但疾病比较通常关心的是不同受试者之间能否重复,而不是同一个受试者的细胞有多少。本篇通过明确的零效应模拟展示伪重复问题,再回到真实公开上皮资料,说明在供体信息不完整、只有归一化值时能够完成哪些分析。
教学审稿意见:作者似乎将细胞作为独立重复进行组间检验,请考虑供体或样本层级,并重新评估显著性。
教学公共子集来自GSE116222,共九个文库,每个文库固定抽取二百个细胞,总计一千八百个。当前资料没有完整确证供体配对关系,因此本系列保留文库层面的描述,不把九个文库自动称为九名独立供体,也不计算疾病组的细胞级显著性来支持主结论。
细胞为什么会相关
来自同一个人的细胞共享遗传背景、取样条件、处理过程和部分生理状态。它们提供丰富的细胞异质性信息,却不是完全独立的受试者重复。如果把共享影响当作不存在,模型可能误以为信息量远大于实际规模,从而给出过小的标准误和过强的显著性。
一个直观比喻是测量同一袋苹果的很多切片。切片增加了对这袋苹果的了解,但不能替代来自不同果园的独立采样。这个比喻只用于理解层级关系,实际单细胞分析仍需根据实验设计建模。技术重复、同一供体多个组织和不同供体之间的关系,都应在样本表中明确。
本篇模拟每组八个独立供体,每个供体四十个细胞,真实组效应设为零。细胞值包含供体共同偏移与细胞随机噪声。分别使用把细胞当独立观察的检验,以及先汇总到供体后进行的检验,重复三百次,比较小概率结果出现的比例。所有数字均为教学设定,不来自真实患者。
| 层级 | 提供的信息 | 本篇怎样处理 |
|---|---|---|
| 细胞 | 状态与细胞内部异质性 | 用于表达分布与标记检查 |
| 文库 | 一次取样及处理的汇总 | 真实数据保留文库摘要 |
| 供体 | 独立个体之间的变异 | 模拟中已知,真实资料不臆测 |
| 疾病分组 | 研究希望比较的条件 | 需要设计支持的独立重复 |

怎样理解模拟结果
本次固定种子模拟中,细胞级错误检验有约百分之七十点七的数据集得到小于零点零五的概率值,供体均值检验约为百分之四点七。它们来自三百次明确零效应模拟,说明当前设定下忽略供体相关结构的影响;不能当作真实疾病资料的错误率。
零效应并不表示每次随机数据的两组均值恰好相等。供体随机偏移会造成偶然组间差异,而细胞级错误模型把同一供体的多个细胞当成额外独立证据,容易放大这种偶然差异。供体层面的比较更贴近模拟设定中的独立单位,因此两种分析出现明显不同的显著性表现。
模拟结果的具体比例依赖供体变异、细胞变异、供体数和细胞数,不能直接套用为所有单细胞研究的错误率。它说明的是一种机制:忽略相关结构可能制造虚假精度。读者可以改变参数观察影响,但应保留每次设定,不能挑一个最夸张的结果代表所有真实情况。
增加细胞数可以改善对某个供体状态的估计,但若供体间差异仍然很大,仅增加同一批供体的细胞并不能等价增加独立重复。研究规划需要同时考虑供体数量、每供体捕获细胞数和目标细胞类型的丰度。不同任务对这些资源的需求并不相同。

伪批量分析需要什么输入
一种常用思路是在每个独立样本、每种细胞类型内汇总原始计数,再用适合样本层级计数的模型比较。这里的汇总单位和设计矩阵仍需依据真实供体关系。若存在同一供体多组织或配对设计,需要保留配对信息,不能只按疾病标签把全部细胞汇总成两列。
本系列提供的是已经归一化并取对数的公开表达子集,不是原始UMI计数。将这些值相加后直接送入计数模型是不合适的。即使反变换后出现接近整数的值,也不代表恢复了原始计数,因为归一化改变了尺度。代码因此只计算文库与状态的平均对数表达,用于描述性比较。
平均对数表达与总计数、平均原始表达也不是同一个量。图注需要说清具体汇总方式。真实资料若能取得原始计数和可靠供体表,可以另行构建适当的伪批量流程;本篇没有声称已经完成这项工作,也没有将描述性汇总称为供体级差异验证。
稀有状态与零细胞要怎样处理
某文库没有捕获到某类细胞,可能与真实组成、取样、捕获效率和注释规则有关。不能自动把该状态的平均表达填成零,因为“没有可估计的细胞”与“细胞表达为零”不同。对于只有极少细胞的汇总,应报告细胞数并限制解释,必要时使用更粗的状态分类。
不同文库细胞数不均衡,也不能通过把细胞随机复制到一样多来增加生物学信息。下采样可以用于某些描述性可比性检查,但会损失信息,且不解决供体结构。方法选择要围绕研究问题,不能仅以图形是否整齐作为依据。
运行方法与交付文件
下载文末完整复现包,先解压并保留目录结构,将R的工作目录切换到workbook目录。输入位于data,公共函数位于scripts/common.R,分篇结果位于results。附件保留前序输出,便于单篇学习;如果改变输入、模型或前序参数,应顺序重跑所有受影响步骤,避免新数据与旧结果混用。
Rscript scripts/10.R
本篇脚本会生成三张图和对应表格。先检查日志是否正常结束,再核对实际输出的样本、字段、尺度与正文,不要仅凭文件存在判断运行成功。环境记录来自实际验证,包版本不是自动锁定;安装时需保持R与依赖相容。完整顺序运行入口和原始公开数据整理方法见包内说明,模拟与公开观测数据分别标注。
下面列出本篇完整R脚本。初学者可先原样运行,再在副本中改变一个参数观察影响。保留原始输入,不通过改组别、补造临床字段或删除不合预期的样本来解决报错。遇到缺少文件,首先检查工作目录和前序依赖;遇到数值差异,先核查版本与输入,再解释科学含义。
source("scripts/common.R")
o<-start(10);s<-scdata();m<-s$m;x<-s$x
# 真实上皮子集只做文库层面汇总,未确证供体配对,不做疾病P值
actual<-aggregate(x["REG1A",],m[,c("sample","condition","state")],mean);names(actual)[4]<-"mean_log_expression";tab(actual,paste0(o,"/observed_library_means.csv"))
# 教学模拟:每组8个独立供体,每供体40个相关细胞,真实组效应为零
B<-300;null<-replicate(B,{g<-rep(c(0,1),each=8);u<-rnorm(16);y<-rep(u,each=40)+rnorm(640,sd=.5);c(cell=t.test(y~rep(g,each=40))$p.value,donor=t.test(tapply(y,rep(1:16,each=40),mean)~g)$p.value)})
tab(data.frame(cell_P=null[1,],donor_P=null[2,]),paste0(o,"/pseudoreplication_simulation.csv"))
fig(paste0(o,"/fig1.png"),barplot(rowMeans(null<.05),ylim=c(0,1),col=c("#DF8A49","#277D9D"),ylab="Fraction P < 0.05",main="Null simulation: 300 datasets"))
fig(paste0(o,"/fig2.png"),{plot(-log10(null[1,]),-log10(null[2,]),pch=16,col="#277D9D",xlab="Cell-level -log10 P",ylab="Donor-level -log10 P",main="Many cells do not create independent donors");abline(0,1,lty=2)})
fig(paste0(o,"/fig3.png"),flow(c("Identify donor / sample / cell hierarchy","Raw counts available? Consider sample pseudobulk","Only normalized values? Use appropriate summaries","Do not invent missing donor identities"),"Choose inference from the available inputs"))
运行本篇脚本会生成真实文库均值表与独立的模拟概率表。检查时不要混用两者:真实表没有疾病显著性,模拟表没有真实基因发现。代码和图注都保留这一界限,便于读者将教学原理迁移到自己的原始计数与供体资料中。

怎样修改原稿中的过强显著性
教学原稿:“分析数千个细胞后证明疾病组显著升高。”修改稿:“细胞表达按文库与教学状态汇总展示。由于当前输入缺少完整确认的供体关系且为归一化子集,结果作为描述性定位线索,不用于供体级疾病效应推断。”
若真实返修能够完成正确的样本层级重分析,应报告新效应与区间,并同步更新显著性和结论。如果结果不再显著,不能继续保留旧细胞级概率值作为主证据。旧分析可以在方法讨论中说明为何修正,但不应与新分析并列制造“总有一种方法显著”的印象。
中文回复示例:“我们重新检查了细胞、文库和供体层级,取消了将细胞数当作独立疾病重复的解释。当前公共子集仅提供文库层面的描述性汇总。原始计数和完整供体关系不足的限制已说明,未声称完成伪批量差异分析。”
英文示例:“We distinguish cells, libraries, and donors and do not treat cell numbers as independent disease replicates. The available normalized subset supports descriptive library-level summaries. We do not claim a pseudobulk count analysis without raw counts and verified donor relationships.”
给自己的单细胞结果做层级检查
从主图中的每一个点开始,写清它代表细胞、文库还是供体;再检查统计检验使用的单位是否相同。核对一个供体是否贡献多个点,以及模型是否考虑这种相关性。最后检查样本量文字,避免把细胞总数放在独立重复位置。
层级正确之后,还需要检查细胞标签是否可靠。下一篇讨论注释和比例返修:一个漂亮的细胞类型名称来自哪些标记,模糊细胞是否可以保留不确定,以及比例变化为什么不能直接写成细胞数量增加。
实操练习:把单细胞样本树画出来
在纸上依次写出研究条件、供体、取样、文库和细胞,并将当前数据中的标识填入对应层级。一个供体可能对应多个文库,一个文库可能包含多个技术处理;这些关系应依据实际记录填写。若某层未知,保留问号并说明影响,不要为了画成整齐树形而假定所有层级一一对应。
然后从论文的每个概率值反查它使用了哪一层独立单位。如果输入是细胞,但目标是疾病组受试者差异,需要检查方法如何处理同一供体相关性。若只做细胞状态描述,可以保留细胞分布,但不要附上暗示受试者层面证据的显著性。图形单位与推断单位可以不同,前提是模型和说明清楚。
在模拟中改变每供体细胞数,保持供体数不变,观察两种检验的差异;再改变供体数,保持细胞测量变异不变。每次只改变一个因素并保存参数。这个练习可以帮助理解资源增加发生在哪一层,但不能把某次模拟比例当作真实数据的错误率或具体研究的样本量建议。
回到真实文库均值表,检查每个状态在每个文库是否有足够细胞,以及缺失组合是否被正确保留为不可估计。若状态极少,均值可能不稳定;若某文库没有该状态,不能用零表达替代。正式分析还应检查捕获和注释过程,而本教学对象没有支持完整原始质控的全部输入。
如果获得原始计数与供体对应表,先确定汇总单位,再考虑适合的计数模型。不要直接把对数归一化矩阵反变换后称为原始计数,也不要按疾病组汇成两个总样本。伪批量的核心是保留独立重复,而不是单纯把矩阵变小。配对和重复采样关系仍需要进入设计。
最后修改样本量陈述,分别报告供体、文库和细胞规模,并注明每项分析使用哪一层。若供体数无法确认,就使用已核实的文库描述并限制推断。这样写可能没有“数万独立样本”醒目,却能让审稿人准确判断证据,也避免后续比例、通讯和轨迹分析重复同样的层级错误。
代码、数据与继续阅读
下载完整返修复现包:20篇R脚本、整理输入、起始结果、运行说明与版本记录。包含公共观测数据、明确标注的模拟与教学模板;不包含新实施的功能干预实验。解压后先阅读README。
承接第09讲:富集结果怎样返修?检查背景、方向和贡献成员。
下一篇第11讲:细胞注释与比例被质疑:标记依据和分母怎样交代。
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?
如果你需要把审稿意见转成具体分析任务,可以准备去标识的意见摘要、数据类型、当前脚本和主要证据缺口,沟通适合的核查范围与交付材料。 联系云生信,说明当前研究任务。
