国自然生信实战20讲 · 第14讲 · 寻找细胞与作用环节

系列目录:国自然生信实战20讲(当前第14讲)
- 第01讲:国自然里的生信从哪里开始?把研究方向拆成可分析的问题
- 第02讲:公共数据怎么选?找到与你的研究问题真正匹配的数据集
- 第03讲:下载数据后先做什么?表达矩阵、样本分组和基因编号整理
- 第04讲:为什么有些数据不能直接分析?看懂异常样本与批次效应
- 第05讲:差异表达怎么做才有解释价值?从统计显著到生物学意义
- 第06讲:富集分析结果太多怎么办?从通路列表提炼研究主线
- 第07讲:哪些基因值得继续研究?把表达、功能和文献证据放在一起
- 第08讲:基因升高说明了什么?区分单个基因变化与功能状态变化
- 第09讲:换一批数据还成立吗?手把手做独立队列验证
- 第10讲:差异真的是疾病造成的吗?识别混杂因素与缺失信息
- 第11讲:换个阈值结论就变了?用敏感性分析检查结果稳定性
- 第12讲:两个队列结果不一致怎么办?从差异中发现研究边界
- 第13讲:为什么整体组织的变化还不够?用单细胞定位表达来源
- 第14讲:是细胞变多了,还是细胞内部表达变了?拆解两种解释(本篇)
- 第15讲:关键细胞发生了什么变化?从细胞类型走向功能状态
- 第16讲:细胞之间可能如何影响彼此?把通讯线索变成可验证的问题
- 第17讲:从一堆图到一个科学假说:整理现有证据与关键缺口
- 第18讲:生信之后做哪些实验?把候选线索拆成逐步验证的任务
- 第19讲:样本量和验证队列怎么规划?用模拟看清研究可行性
- 第20讲:把整个项目串起来:形成可复现分析包和完整技术路线
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。
同样的组织升高,可能来自两种不同变化
假设组织分析发现REG1A升高。一个解释是表达它的细胞比例增加,另一个解释是原本存在的细胞内部表达更高,两者也可能同时发生。只看整块组织的平均表达无法区分这些情况。承接第13篇,本篇在教学单细胞子集中分别汇总状态组成和状态内部表达,帮助读者把混在一起的问题拆开。
这种区分对实验设计很实际。如果主要变化来自细胞组成,后续应关注相关状态如何出现或维持;如果主要变化来自细胞内部表达,可能更适合检查该状态下的调控与功能。两种方向需要不同模型和读数,不能用同一张组织火山图直接决定。这里先建立描述性线索,再讨论需要补什么证据。
为什么先按文库分别计算
本篇保留A1至C3等文库标识,每个文库都从原始资料固定抽取200个细胞。我们先在每个文库内部计算教学状态比例,再展示文库之间的差异,而不是把所有健康细胞合在一起、所有炎症细胞合在一起。后一种做法会掩盖样本之间的变异,也容易让细胞数量多的样本支配结果。
需要再次强调,文库不是自动等于独立供体。公开元数据中的配对关系尚未在本教程中完整确证,因此我们使用“文库汇总”这一准确说法,不把九个文库直接当成九名独立受试者做疾病显著性检验。如果之后取得明确的供体与部位关系,统计设计需要相应纳入配对或重复测量,而不只是更改图例名称。
一个简单的算例帮助区分两种变化
可以想象组织中有两类细胞:一种候选表达较高,另一种较低。如果高表达细胞的比例上升,即使每类细胞内部都没有变化,组织均值也会上升。反过来,比例不变而高表达细胞内部进一步升高,也会改变组织结果。这个算例只用于理解混合效应,不是本案例真实组织比例的估计。
实际数据中还可能存在多个状态同时变化、细胞大小不同和转录本总量差异,因此组织均值不能直接由教学子集的简单比例精确重建。我们的两张汇总图帮助提出解释,而不是完成严格分解。若研究目标要求分解,需要更合适的模型、代表性取样和独立验证。
查看sample_state_expression.csv时,请同时排序细胞数与表达均值。一个很高的均值如果只来自少量细胞,其稳定性可能有限;一个状态在多个文库都有足够细胞,则更适合继续探索。不要把细胞数当成独立样本数,但也不要忽略它对文库内描述精度的影响。这是两个不同层面的信息。
如果某个状态在一个文库没有细胞,本篇不会补出一个表达均值。读者合并表格时要特别留意空值,避免表格软件或绘图函数自动填零。比例为零表示未捕获到该状态,表达缺失表示没有可汇总的对象;把它们混合,会制造本来不存在的组间表达差异。
正式研究应尽早建立文库、取材部位和供体之间的对应表。一个供体贡献多个区域时,应保留这种关联,不把它们视作完全独立。若多个供体混合进同一文库,也需要明确拆分和识别条件。正确的层级信息比更复杂的下游图形更能决定哪些推断是允许的。
运行方法与输出检查
下载文末完整复现包后先解压,将R的工作目录切换到其中的workbook目录,再运行下方命令。不要只复制某一行分析语句,因为公共函数、输入文件和前序结果需要保持同一套目录关系。本篇读取第13篇对象及第07篇候选;附件已包含这些起始文件,因此可以单独学习本篇,也可以按顺序运行全系列。
Rscript scripts/14.R
脚本会把本篇表格和三张图写入results/14目录。运行结束后先检查输出表中的样本标识、列名与正文说明,再打开图片核对坐标和分组。出现报错时保留原始输入,先查工作目录、文件完整性及依赖版本,不要通过改分组或填补不存在的数据来让代码继续。下载包内的版本记录来自实际验证环境,安装时请保持R与Bioconductor依赖相容。
下面提供本篇完整R脚本;它会载入scripts/common.R中的公共函数。共用函数、数据整理代码和逐步日志也包含在复现包中,便于检查每一步的输入与输出。
source("scripts/common.R")
o<-start(14);sc<-load_sc();m<-sc$m;x<-sc$x;lead<-lead_gene()
tab<-table(m$sample,m$state);prop<-prop.table(tab,1)
save_table(data.frame(sample=rownames(prop),prop,check.names=FALSE),paste0(o,"/sample_state_proportions.csv"))
d<-data.frame(sample=m$sample,state=m$state,condition=m$condition,y=x[lead,]);avg<-aggregate(y~sample+state+condition,d,mean);n<-aggregate(y~sample+state+condition,d,length);names(n)[4]<-"cells";avg<-merge(avg,n);save_table(avg,paste0(o,"/sample_state_expression.csv"))
fig(paste0(o,"/fig1.png"),{par(mar=c(9,5,3,2),xpd=TRUE);barplot(t(prop),col=c("#199C97","#E78C49","#5679B8","#965A86","#9B9C4B","#5B8970","#A9BBC3"),ylab="Fraction in selected epithelial subset",main="Within-library composition");legend("bottom",inset=c(0,-.32),legend=colnames(prop),fill=c("#199C97","#E78C49","#5679B8","#965A86","#9B9C4B","#5B8970","#A9BBC3"),cex=.8,ncol=3,bty="n")})
fig(paste0(o,"/fig2.png"),{plot(as.numeric(factor(avg$state)),avg$y,col=cols[avg$condition],pch=16,xaxt="n",xlab="",ylab=paste(lead,"mean log-normalized expression"),main="One point per library and state");axis(1,seq_along(unique(sort(avg$state))),sort(unique(avg$state)),cex.axis=.65);legend("topright",names(cols)[3:5],col=cols[3:5],pch=16,cex=.7)})
fig(paste0(o,"/fig3.png"),flow(c("Overall tissue change","Cell composition change?","Within-state expression change?","Verify both with independent samples"),"Two different biological explanations"))
第一张图看组成,先看分母
每根柱子代表一个文库,柱内不同颜色代表教学状态所占比例。分母是该文库进入教学子集的上皮细胞,不是完整组织的全部细胞,也不是原始文库测到的所有细胞。每个文库抽样数相同,使展示更容易比较,但不能消除分离效率、细胞存活、捕获偏差和标记规则造成的影响。

比例还具有总和限制:一类状态比例增加,其他类别的比例可能被动下降。观察到某类下降,不一定代表它的绝对数量减少。若研究问题需要绝对数量变化,应考虑组织计数、空间成像或其他有合适分母的测量。单细胞比例可以提供线索,但不能替代组织层面的数量证据。
| 要回答的问题 | 本篇汇总方式 | 后续需要补充什么 |
|---|---|---|
| 某状态是否更常被捕获 | 每个文库的状态比例 | 更完整样本及捕获偏差评估 |
| 状态内部候选是否更高 | 每个文库、每个状态的均值 | 明确供体关系和足够独立重复 |
| 组织绝对细胞数是否改变 | 本篇无法直接估计 | 组织学或绝对计数资料 |
| 是否为疾病因果机制 | 本篇无法证明 | 有对照的功能干预实验 |
第二张图看表达,保留每个文库
我们对每个“文库与状态”的组合,计算REG1A平均对数归一化表达,并将细胞数一并保存。图中的每个点对应一个组合,而不是一个细胞。这样读者能够看到同一状态在不同文库里的变化范围,也能发现某些状态仅在少量文库出现。后者通常意味着进一步比较的证据很有限。

平均对数表达与先平均原尺度表达再取对数不是同一个量。本篇使用前者,是为了明确、简单地描述所选细胞的典型表达状态,不把它解释成总转录本产量。迁移到正式项目时,汇总方式应与科学问题一致,并在方法中写清。不同教程的“平均表达”名称相同,计算定义却可能不同,比较数值前要先核对。
细胞数很多,为什么仍然不能随便检验
同一份样本中的细胞共享受试者背景、取材和处理条件,不是相互完全独立的实验重复。把它们当成大量独立患者,会低估样本间变异,产生看似极强的统计证据。更合理的疾病比较通常需要保留供体层级,并根据真实设计使用样本层面的汇总或合适模型。工具能输出P值,并不代表设计允许这样解释。
本教程故意停留在文库层面的描述,没有用数千个细胞换取一个非常小的疾病P值。第13篇提供的表达矩阵已经归一化,也不能直接构造原始计数伪批量模型。如果要继续该方向,应补齐原始计数、供体对应表和质量控制信息。这个限制说明下一步资料需求,不意味着单细胞定位没有价值。
稀有状态要单独看待
如果某个文库中的一个状态只有一两个细胞,均值非常容易受个别细胞影响。输出表中的cells列就是为了让读者同时观察证据量。本篇展示这些组合时不赋予相同的推断权重,下一篇的功能状态图会采用最少细胞数的展示条件。不同阈值仍属于分析选择,应透明记录并检查敏感性。
不要为了凑齐每组的状态而补造不存在的细胞,也不要把没有捕获到某状态的文库自动记为该状态表达为零。缺少细胞意味着该组合无法计算状态内部表达,而不是基因在这种细胞中一定不表达。组成零值、测量缺失和基因未检出是三个不同层面,处理时应分别保留。

怎样把两类线索放回组织结果
如果某候选在组织中升高,同时相关状态比例更高,而状态内部均值变化并不明显,可以提出组成贡献的假说;如果比例相近但状态内部表达更高,则可以提出状态内调控的假说。当前数据的取样与供体限制仍然存在,所以这些都属于待验证解释,不是对组织差异的精确分解或因果归因。
后续实验可以围绕两条路线分别设计:用组织成像检查相关状态的分布和数量,用合适细胞或类器官模型检查候选表达与功能。两种读数互相补充,比只增加一张同样来自组织矩阵的相关图更有信息。本篇最终输出状态比例表和文库状态表达表,下一篇将进一步比较这些状态中的功能相关标记模式。
代码、数据与继续阅读
下载完整复现包:20篇R脚本、整理输入、起始结果、运行说明与版本记录。包含公共数据教学子集;不包含任何实际实验结果。解压后先阅读README。
承接第13讲:为什么整体组织的变化还不够?用单细胞定位表达来源。
下一篇第15讲:关键细胞发生了什么变化?从细胞类型走向功能状态。
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?
如果单细胞结果难以转成实验问题,可以准备样本层级、细胞规模和候选状态摘要,沟通定位与证据整理的范围。 联系云生信,说明当前研究任务。
