生信论文返修实战20讲 · 第11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11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
- 第11讲:细胞注释与比例被质疑:标记依据和分母怎样交代(本篇)
- 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。
细胞注释被质疑,先展示标签背后的证据
单细胞结果中的细胞名称常被读者当作事实,但这些名称通常来自标记、参考映射和人工判断。审稿人要求核查注释时,新增一张UMAP并不能自动解决问题。本篇从透明的教学标记规则出发,展示判定间隔改变时哪些标签变得不确定,并讨论比例图的分母与解释范围。
教学审稿意见:请补充细胞注释依据,说明模糊群体如何处理,并核查疾病组细胞比例差异是否受到注释规则影响。
本例使用一千八百个公开上皮细胞的教学子集。标签称为吸收样、杯状样、干细胞样等状态,而不是经过完整人工验证的最终细胞类型。原始公开处理值已经归一化并取对数;本篇不重新归一化,也不从有限特征子集计算完整质控指标。
一个标记不能承担全部身份判断
单个基因可能在多种状态中表达,也可能受到疾病、应激或技术噪声影响。注释通常需要多个正向标记、反向证据、群体结构和参考资料共同支持。对某个标记的高表达可以是线索,但不能自动证明标签正确,更不能排除双细胞、环境RNA或其他技术影响。
本系列的教学标签使用固定标记评分与规则,便于读者理解判定过程。因为标签本身由这些标记定义,再画相同标记热图并不是独立验证。热图的作用是展示规则依据和异常情况,而不是提供第二份无关证据。正式研究若需要更可靠注释,应结合独立参考和完整质量检查。
代码比较两种判定间隔:最佳得分与次佳得分差距需要达到较宽松或较严格的要求,同时最高分要满足最低条件。更严格的规则会把部分边界细胞改为未分配。未分配不是失败标签,而是保留当前信息不足的一种方式;强行给每个细胞一个精细名称,可能制造不真实的确定性。
| 注释环节 | 本例可检查的内容 | 当前没有完成的工作 |
|---|---|---|
| 标记依据 | 固定评分与表达摘要 | 全面人工专家复核 |
| 不确定性 | 两种判定间隔的标签变化 | 完整参考映射比较 |
| 文库分布 | 各文库状态比例 | 确认全部供体配对 |
| 技术混杂 | 讨论可能影响 | 重新运行完整双细胞检测 |

改变标签规则后应该看什么
本次从较宽松间隔改为较严格间隔后,一千八百个教学细胞中有一百零二个标签发生变化。这个数量描述当前规则敏感性,不是注释错误率,因为没有独立真值来判断哪一种标签更准确。逐细胞变化表保留了文库与两个标签,便于进一步核查。
先统计哪些细胞发生变化,再按文库查看变化是否集中于某一批资料。若某个文库大量变成未分配,可能与测量质量、状态差异或规则不适配有关,需要进一步核查。不能只看总体准确率式的数字,因为没有独立真值时,标签一致并不等于准确。
本篇输出每个细胞的基线标签、严格标签和是否变化。读者可以追踪哪些比例变化来自重新分配,而不是来自真实采样数量变化。对于论文中的关键稀有群体,应特别检查它是否只由少量边界细胞构成;如果是,精细机制解释就需要更谨慎。
规则敏感性也不能替代完整注释评估。两个相似规则可能共享同样的偏差,因此一致性只说明对这项改变不敏感。若使用另一个参考库或算法,应报告参考适用组织、训练数据与可能重叠,不能把多个方法投票自动等同于真实身份。

比例的分母决定了结论
本篇每个文库抽取二百个上皮细胞,因此比例表示抽样上皮子集内各教学状态的构成。它不代表整个组织中该类细胞的绝对数量,也不代表所有免疫、间质与上皮细胞的总体组成。若图注只写“细胞比例”,读者很容易误解比较范围。
比例具有组成约束:一个部分增加,会影响其他部分在同一总量中的比例,即使后者的绝对数量没有改变。捕获效率、消化过程、过滤规则和状态判定也可能影响观察到的构成。因此“比例较高”不能直接写成“细胞扩增”,后者通常需要更直接的数量或增殖证据。
本篇保留每个文库的比例,不把同组全部细胞混成一个大饼图后进行疾病推断。供体结构尚未完整确认,因此这里仍然是文库描述。若真实研究具备独立样本与完整设计,可使用适合比例或组成数据的方法进一步比较,并报告样本层面的变异与不确定性。
热图应该帮助发现问题
标记热图中,不同状态可能共享部分表达;这并不一定表示注释错误,也可能反映连续状态或标记不特异。需要结合多项证据判断。若同一细胞同时出现互斥谱系的强信号,应回查双细胞与环境污染,但本篇没有足够原始输入实施这些完整检查,因此不报告已经排除了它们。
基因缺失也要区分未测量、被特征筛选移除和测量值为零。本教学对象只保留高变特征及指定标记,不能将未在矩阵中的基因解释为生物学不表达。读者替换标记时,应先确认输入是否包含它,并记录缺失原因,不能静默把缺失行补成零。

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/11.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(11);s<-scdata();x<-s$x;m<-s$m;score<-s$scores
# 比较两种预先声明的标记判定间隔;不是寻找最漂亮的注释
margin<-apply(score,1,function(v)diff(sort(v,decreasing=TRUE)[2:1]));best<-colnames(score)[max.col(score,ties.method="first")]
label<-function(cut){z<-best;z[apply(score,1,max)<.5|margin<cut]<-"Unassigned";z}
a<-label(.15);b<-label(.3);tab(data.frame(cell=m$cell,sample=m$sample,base=a,strict=b,changed=a!=b),paste0(o,"/annotation_sensitivity.csv"))
prop<-prop.table(table(m$sample,a),1);tab(data.frame(sample=rownames(prop),prop,check.names=FALSE),paste0(o,"/state_proportions.csv"))
fig(paste0(o,"/fig1.png"),barplot(c(Baseline=sum(a=="Unassigned"),Stricter=sum(b=="Unassigned")),col=c("#277D9D","#DF8A49"),ylab="Cells",main="Uncertainty is allowed in annotation"))
fig(paste0(o,"/fig2.png"),{par(mar=c(9,6,3,2));pal<-c("#277D9D","#DF8A49","#6B87B3","#927BA6","#7B9E79","#A9A36D","#B2C1C9");barplot(t(prop),col=pal,ylab="Fraction of sampled epithelial cells",main="Composition retains library-level variation");legend("bottom",inset=c(0,-.32),legend=colnames(prop),fill=pal,ncol=3,cex=.75,xpd=TRUE,bty="n")})
genes<-c("MUC2","TFF3","CA1","MKI67","OLFM4","REG1A");avg<-sapply(sort(unique(a)),function(g)rowMeans(x[genes,a==g,drop=FALSE]))
tab(data.frame(gene=rownames(avg),avg,check.names=FALSE),paste0(o,"/marker_expression_summary.csv"))
fig(paste0(o,"/fig3.png"),heatmap(avg,Rowv=NA,Colv=NA,scale="none",margins=c(10,8),col=colorRampPalette(c("white","#277D9D"))(30),main="Marker evidence behind teaching labels",cexCol=.7))
运行后将标签变化表与文库比例表对照,重点查看关键状态的细胞数量。若某个状态只有极少细胞,应减少过细分组的解释,或者在获得更多资料后重新评估。图中的颜色对应教学标签,不代表经过实验证实的独立细胞谱系。
怎样修改注释与比例的文字
教学原稿:“我们准确鉴定所有细胞,发现疾病导致杯状细胞扩增。”修改稿:“依据固定标记规则定义教学上皮状态,并保留未分配细胞。各文库展示抽样上皮子集的状态比例;比例差异不直接解释为绝对细胞数量变化或疾病因果效应。”
中文回复示例:“我们补充标记依据和标签判定规则,比较两种判定间隔并提供逐细胞变化表。比例图保留文库层级并明确分母。模糊细胞未被强制分配,且不将本次检查描述为完整双细胞或环境RNA排除。”
英文示例:“We provide the marker-based labeling rule and a cell-level comparison under two assignment margins. Library-level proportions retain an explicit epithelial-subset denominator. Ambiguous cells remain unassigned, and this exercise is not presented as complete doublet or ambient-RNA assessment.”
返修时应该交付哪几份材料
至少保留细胞到样本的对应表、最终标签、标记依据、关键参数和改变记录。若重命名一个群体,应同步修改图例、结果、讨论与补充表。不要让旧名称残留在通讯或轨迹分析中,否则后续结果虽然数值相同,含义已经不一致。
读者可以挑选论文最关键的一个细胞群,尝试在不看UMAP形状的情况下解释它的身份依据。如果解释只能依赖“这个簇在图上很独立”,就需要补充更直接的标记和参考证据。下一篇将讨论轨迹与通讯的解释边界,避免把细胞排列和配体受体共表达直接写成已经发生的生物过程。
实操练习:审查论文最关键的一个细胞群
先写出这个群体为什么重要:它承载主要差异、比例变化还是通讯假说。再列出支持标签的标记与不支持的证据,不要只收集符合预期的基因。若关键标记不在教学子集中,记录输入覆盖限制,而不是把缺失解释为不表达。真实研究应尽可能回到完整矩阵检查。
比较基线与严格规则下该群体保留了多少细胞,变化集中在哪些文库。若一个结果主要由边界细胞推动,讨论应体现这种依赖。若标签变化很少,也只能说明对当前间隔变化相对稳定,不能证明参考身份绝对正确。规则一致性与独立真实性需要分别理解。
查看每个文库的比例,而不是只看合并后的总比例。两个条件的合并比例不同,可能由少数细胞多的文库推动;本例固定抽样有助于统一教学规模,但不解决供体独立性,也不恢复原组织组成。读者替换真实数据时,需要保留实际捕获数量和样本层面信息。
尝试用一句话写出比例分母:“在当前纳入且通过处理的上皮细胞中”。然后思考这句话与“在整个结肠组织中”的差别。前者受到选取范围限制,后者需要覆盖更多细胞类型或适合的组织计数证据。若论文原来使用后者,应根据实际输入改写,而不是让读者自行推断。
再检查细胞数变化与平均表达变化是否被混在一起。某状态比例提高不等于状态内候选表达提高,状态内表达提高也不等于该状态更多。分别查看比例与文库状态表达,可以帮助提出两种不同解释,但仅凭当前资料仍不能确定因果。后续实验或更完整数据应围绕这两个问题分别设计。
为注释更新建立映射表,记录旧标签、新标签、变更原因和受影响图表。如果只是把模糊名称改得更准确,也要同步修改后续分析对象和图例。若细胞归属发生变化,则必须重新计算比例及相关表达摘要,不能只在图片上替换文字。这样可以防止“名称已更新、数据仍是旧分组”的隐蔽错误。
最后请同事只看标记依据、文库分布和不确定性说明,判断标签是否足以承载论文主张。如果主张需要精细亚型而当前证据只能支持宽泛状态,应降低命名精度或补充验证。保留未分配和较粗标签,是对信息边界的表达,不是分析人员不愿完成工作。
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10讲:单细胞显著性可靠吗?先认清细胞、文库与供体。
下一篇第12讲:拟时序和通讯怎样改写?避免把推断写成机制。
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。
