两个免疫组库样本导出后,都有编号零、一、二。按编号合并,三条克隆全部对应,看起来重叠率达到百分之百。但编号通常只用于识别当前结果中的记录,并没有承诺同一数字在不同样本中代表相同受体。把局部编号当成生物学身份,是一种容易通过程序检查、却会改变科学结论的错误。
本文把这一问题拆成可执行的读表练习,并进一步比较核苷酸和氨基酸两种匹配标准。练习使用原创短序列与教学字段,通过自编 Python 脚本实际计算,没有安装或运行 MiXCR,没有调用其比对、组装或克隆导出程序。数值用于说明匹配规则的影响,不能作为真实免疫组库的性能评估。

软件里的克隆记录不等于通用身份证
MiXCR 的分析涉及序列比对、误差处理、克隆组装和结果导出。不同实验协议需要采用适合的预设与流程,不能因为输入都是测序文件,就假定它们具有相同的分子信息。对流程结构不熟悉时,可以先阅读官方分析概览,再确认本项目从哪一种数据起步。
导出表中的局部编号有管理价值,能够帮助回查同一个结果文件中的记录。但是跨文件比较需要另行定义身份。类似地,一张表中的第三行与另一张表中的第三行没有天然联系,按丰度排序后位置相同也不表示序列相同。保存编号用于追溯,使用明确的序列和注释规则用于比较,两者职责不同。
在实际审阅中,应把样本名、结果文件标识和局部编号一起保存,作为来源定位信息。这样即使后面多个记录按某个规则合并,也能追溯它们各自来自哪里。若只保留合并后的标签和总数,发现异常时就很难判断问题出在上游组装、字段转换还是跨样本连接。
先写出“相同”的定义,再计算重叠
受体比较中的相同可以有不同含义。可以要求某个区域的核苷酸序列一致,也可以要求其氨基酸序列一致,还可以进一步要求相关基因注释一致。前者保留同义编码差异,后者把某些不同核苷酸记录归到同一组。两者适合回答的问题不同,不能看到某一种重叠率较高,就认定它更正确。
官方重叠导出命令允许通过条件选项指定比较规则,当前文档的默认规则包括互补决定区第三段的氨基酸序列及两个基因注释,并按链输出相应结果。具体选项见重叠导出说明。报告分析时应明确采用的规则,即使使用默认值,也不能省略这个决定。
跨链比较尤其需要谨慎。相同的短字符串出现在不同链类别里,并不因此成为同一个可直接比较的对象。本次练习把所有记录都设为同一种链,只是为了把规则差异单独展示出来。真实表若混合多个链,应保留链信息并明确比较范围,不能在丢掉链列之后才发现不同集合被合在一起。
六条原创记录,足以暴露编号合表问题
我们构造两个样本,每个样本有三个局部编号。甲的编号零与乙的编号一具有相同的核苷酸、氨基酸及基因标签。甲的编号一与乙的编号二拥有相同的氨基酸和基因标签,但核苷酸不同。其余两条互不相同。序列刻意缩短为九个碱基,仅用于演示编码和匹配,不是完整真实受体。
| 记录关系 | 核苷酸及基因规则 | 氨基酸及基因规则 |
|---|---|---|
| 甲 0 与乙 1 | 相同 | 相同 |
| 甲 1 与乙 2 | 核苷酸不同 | 相同 |
| 甲 2 与乙 0 | 不同 | 不同 |
若只取局部编号组成集合,两边都是零、一、二,交集有三个,合并后的并集也有三个,于是交集大小除以并集大小得到一。可是逐对查看按编号匹配的记录,三个对应关系都没有相同的生物学匹配身份。这说明集合运算本身可以完全正确,错误却已经发生在集合元素的定义阶段。
按链、核苷酸、两个基因标签联合匹配时,只有一对共同记录。两边各三个对象,去掉重复计数后并集为五,杰卡德相似系数因此为零点二。改用链、氨基酸、两个基因标签后,共同记录有两对,并集为四,相似系数变为零点五。这些数值来自本次脚本实际运行。
| 实际计算规则 | 共同对象与并集 | 杰卡德相似系数 |
|---|---|---|
| 局部编号 | 3 / 3 | 1.0,但三对身份均错配 |
| 链、核苷酸、基因标签 | 1 / 5 | 0.2 |
| 链、氨基酸、基因标签 | 2 / 4 | 0.5 |
这里的一和零点二之间不是软件准确率差异,零点二和零点五之间也不是哪个流程找到了更多真实抗原反应。前一处改变纠正了不合适的匹配键,后一处改变换了所研究的等价关系。报告中必须把这种差别说清楚,否则读者看到同一批数据得到多个数字,容易把定义变化误解为结果不稳定。
同义编码为什么会改变集合
练习里一对核苷酸序列分别为 TGTGGTTTT 和 TGCGGCTTC,按连续三碱基翻译都得到同一段氨基酸序列。把氨基酸当作匹配条件,就会把这一对归在一起。把核苷酸也纳入条件,则会把它们分开。这是遗传密码简并性所允许的情况,示意序列仅展示这种逻辑,不涉及真实受体来源。
如果研究问题是比较受体编码层面的共享,可以采用更细的序列规则。如果研究问题允许把同义编码归到一起,可以使用相应的蛋白层面规则。但后一种归并不能单独证明记录来自相同细胞谱系,也不能证明具有相同抗原特异性。功能和谱系判断需要更多信息,匹配键本身不提供这些证据。
在方法部分,建议写清比较区域、核酸或蛋白层面、链范围,以及基因标签是否纳入。这四项足以让读者知道一个“共享克隆型”到底怎样产生。只写“使用软件计算重叠”,缺少了最影响数值的定义,后续即使用同一个软件版本也可能得不到相同结果。
基因注释不确定时,不要悄悄选一个答案
真实结果中的基因注释可能存在多个候选,导出字段也可能附带评分或其他信息。把整段显示文本直接当作标准基因名称,会把格式差异混进匹配规则。反过来,随意截掉候选列表的后半部分,又会隐藏不确定性。应先理解当前导出字段,再选择可说明依据的标准化方式。
一种稳妥的审阅策略是保留原字段,另建用于比较的字段,并记录转换规则。如果存在无法明确归类的记录,可以单独报告这一部分,比较包含与排除它们时结论如何变化。不要为了得到一个整齐的矩阵,强行把未知值分配给最常见基因,也不要把空字符串当成已经确认的共同注释。
版本与参考库变化也可能改变标签。因此跨批次整合时,应先核对分析流程和参考版本,而不是只检查表头是否一致。名称一致不能保证底层注释依据一致,名称不一致也不一定代表序列证据不同。保留原序列和来源信息,才能在需要时重新建立统一的比较字段。
共同出现与共同丰度是两种问题
本次杰卡德计算只问某个对象是否出现,没有使用教学支持数。甲的三条支持数是百、五十、二十五,乙的是八十、四十、二十。只要对象仍然存在,改变这些支持数不会改变当前集合交并比。因此该数字不能说明两个样本的优势克隆是否具有类似丰度,也不能描述共享对象占所有分子的比例。
若要研究丰度,需要先明确计量单位。读段数、去重分子数和细胞数不能随意互换,尤其在存在分子标签或单细胞条形码的实验中。导出表可包含不同计数及比例字段,具体取决于流程和版本,应查看官方导出字段说明,不要根据列名里出现了“数量”就当作细胞计数。
归并规则放宽后,同一样本内原本分开的记录也可能合并,支持量应按定义进行汇总。此时用新的匹配键直接连接原表,可能形成多对多展开,导致一条记录被重复加总。正确顺序通常是先在每个样本内按选定键归并,再做样本间连接,并核对归并前后的总量是否保持预期关系。
官方重叠表的样本计数列按照选定规则聚合,而包含样本数量的字段描述该对象出现于多少个样本。这两类列不能混读。一个对象在很多样本里出现,并不意味着它在任意一个样本中都很丰富。解释普遍性与解释丰度时,应分别说明使用哪一列及其统计单位。
过滤规则也会改变谁有资格进入比较
只比较可产生功能性序列的记录,是常见分析选择,但这仍是一个明确的纳入条件。若一个样本保留所有记录,另一个样本过滤掉移码或终止相关记录,两个集合从起点就不一致。应在生成重叠矩阵之前统一过滤规则,并保留每个样本经过各步骤后剩下的对象数量。
缺失也不能直接当作不存在。一个区域没有完整覆盖、某个字段没有成功导出、或者记录没有通过质量条件,都可能让对象不能参与当前比较。把这些情形统一填成零,会把观测不足伪装成明确阴性。应区分没有检出、无法判断和未纳入,必要时在结果表中另加原因列。
样本深度不同会影响稀有对象的检出。即使匹配标准完全统一,重叠较低仍可能部分来自抽样差异。若使用抽样或其他校正,应写明它改变了哪些数据及重复如何处理,不能只挑选得到最大重叠的参数。多个细胞或多个克隆也不自动构成多个独立生物学样本,组间推断仍需尊重实验重复结构。
自己复算一次,比盲信合并结果更有用
附件只需要 Python 标准库。脚本生成两张原创教学表,分别用三套条件建立集合,保存交集、并集、相似系数及实际匹配的局部编号。输出目录必须尚不存在,避免旧结果混入。解压后在对应脚本目录运行下面命令,即可复算本文数字。
python run.py --work mixcr-review-output
核验时先看匹配对,再看汇总值。若只看到相似系数为一,会觉得结果非常一致。打开匹配对后,就能发现编号相同的记录实际上完全错配。这个顺序适合推广到真实工作,抽查几对共享对象,确认序列、注释与来源都符合规则,再相信整张相似性矩阵。
本次经验是,身份定义应先于统计指标,局部编号应服务于追溯,规则改变应保留原始映射。对于较大的分析,建议同时交付匹配规则、过滤规则、每样本对象数和共享对象明细。这样读者可以判断差异来自生物学观察,还是来自不同的集合构造方式,而不只是面对一个没有解释的热图。
MiXCR 的便利在于把多类免疫组库处理步骤组织起来,并提供可配置的导出和比较方式。它的输出仍要求使用者理解实验协议、计数单位和匹配定义,不能自动消除跨实验设计的不一致。商业使用范围应按官方许可说明核实。本次未下载或执行原生软件,核查日期为二〇二六年十一月十八日。
下载两篇原创读表练习与实际核验摘要(ZIP)。附件含Python脚本、运行说明与本次输出,分别生成分母与坐标核验表、克隆匹配示意表。没有包含或执行两款原生软件。
当匹配与过滤规则确定、准备把免疫组库流程扩展到更多样本时,可以整理实验协议、样本数量和拟用软件版本,向云生信咨询生物分析服务器与环境支持,据实际分析步骤安排运行环境。
