将多个取样部位的突变表合并后,只保留检测到替代读段的记录,看起来像一次普通的数据清理。但在联合克隆分析中,这一步可能把最有区分力的样本特异突变排除。最终只得到一个簇,不一定说明肿瘤结构简单,也可能是模型真正看到的数据已经只剩共同突变。
本文实际安装 PyClone-VI 0.2.0,生成九十个原创突变在两个样本中的读段计数,运行完整记录与仅保留阳性记录的两组对照。完整输入产生三个簇,删行后只剩一个簇。原生日志明确显示,六十个没有覆盖全部样本的突变被移除。下面解释为什么这不是三个簇被算法合并成一个。

它聚类的是怎样的信号
PyClone-VI 使用替代和参考读段数,并结合局部拷贝数、正常拷贝数及样本肿瘤含量,推断突变在恶性细胞中的比例结构。多个样本提供同一突变的多维观测,有助于区分在单个样本里比例相近、但跨样本变化不同的突变群。
这个任务依赖准确的计数与先验输入。工具不会自动修复错误拷贝数,也不会从一个缺失单元格推断该位置到底是没有覆盖、被过滤,还是确实没有替代读段。输入字段与联合样本的完整性要求见 项目官方说明。
输出的簇可以帮助描述共同变化的突变集合,但不是一棵已经确定的克隆演化树。某些不同细胞群可能产生难以区分的频率结构,测量误差也会影响聚类。因此,分群、细胞比例估计和祖先关系推断应分别讨论,不能看到三个颜色就直接画出唯一分支历史。
三种比例不能混为一谈
替代等位比例是替代读段占总读段的比例。肿瘤含量描述样本中恶性细胞的比例。细胞流行度则描述恶性细胞中携带某个突变的比例。即使三者都介于零和一之间,分母也不同,不能把输入中的一个数直接复制成输出中的另一个数。
在简单二倍体、单拷贝突变、没有复杂等位偏差的条件下,预期替代比例约等于肿瘤含量乘以突变细胞比例,再除以二。例如肿瘤含量为零点六、所有恶性细胞都携带突变时,预期替代比例约为零点三,而不是一。
拷贝数变化和突变拷贝份数会改变这个关系,因此真实项目不能普遍套用简单二倍体换算。本例刻意把所有区域设为主次各一个拷贝,目的是把对照集中在记录缺失,而不是同时引入复杂的拷贝数不确定性。
两个样本和三组原创突变
生成器建立两个样本,分别记为甲与乙,在文件中使用标签A与B,肿瘤含量分别为零点六和零点八。九十个突变分成三个生成组,每组各三十个。共同组在两样本的恶性细胞中都存在,另两组分别只在其中一个样本中占百分之六十五,在另一个样本中的真实比例为零。
每个突变在每个样本中都安排三百次读段抽样,替代概率按上述简单混合关系计算。其余读段计为参考读段,随机种子固定。生成过程没有加入测序错误,但原生程序未提供错误率列时采用其默认零点零零一,日志保留了这项设置。
| 原创生成组 | 样本A细胞比例 | 样本B细胞比例 |
|---|---|---|
| 共同组 | 1.00 | 1.00 |
| A特异组 | 0.65 | 0 |
| B特异组 | 0 | 0.65 |
这里的组名只是生成器标签,不能把它们当作已经验证的真实进化事件。所有位置、计数和细胞比例都是作者定义的教学数据,不含患者信息。较高深度、清楚分离的比例以及统一二倍体状态,使问题比实际肿瘤简单得多。
有覆盖但零替代,是一条有信息的记录
对于样本中真实不存在的那组突变,生成器仍保存三百条参考读段和零条替代读段。这条记录表达的是,在指定覆盖和生成条件下观察不到替代信号。它与完全没有该位置记录不同,更与没有任何读段覆盖不同。
如果一个突变在样本甲中有明显信号,在样本乙中有充分参考覆盖却没有替代读段,这种差异恰恰有助于区分群体。删掉样本乙的那行,会同时删掉这份负向证据。把“没有阳性调用”理解成“这行没有价值”,是联合分析中需要避免的误区。
真实数据里,零替代也不能不加检查地视为可靠阴性。比对质量、局部可比对性、过滤条件和有效深度都会影响解释。应保留产生计数的规则,区分原始无覆盖与过滤后无可用读段,不能仅根据最终变异表里有没有一行来判断。
缺失记录为什么影响整个突变
PyClone-VI 的联合输入要求同一突变在全部检测样本中都有对应条目。官方文档明确说明,不满足这一条件的突变会被去除。缺失不是通过自动填零补齐,也不是只忽略那一个样本后继续使用剩余计数。
因此,输入审查需要建立突变与样本的完整组合,而不仅是统计唯一突变编号。本例删行前后都有九十个不同编号,如果只看这一项,会误以为分析对象没有变化。实际能进入联合模型的完整突变集合已经大幅缩小。
合并多个变异文件时,可以先形成候选位点并集,再在各样本中按一致标准取得这些位点的读段计数。无法获得可靠数据的位置,应明确记录原因并决定纳入规则,而不是把所有空白都强行填成零替代。
安装、参数与实际执行
本次在 Ubuntu 22.04.5 上创建独立环境,安装 PyClone-VI 0.2.0,并检查版本与命令帮助。原创驱动使用系统 Python 标准库生成输入,再调用原生拟合和结果导出命令。两个对照的模型设置完全一致,没有手工指定某个突变属于哪个簇。
micromamba create -n pyclone-demo -c conda-forge -c bioconda pyclone-vi=0.2.0
python run.py --executable /path/to/pyclone-demo/bin/pyclone-vi --work pyclone-record-demo
拟合时使用十个候选簇、二项分布、十次随机重启和一个线程,种子固定为二百八十九。候选簇数是模型可使用的容量,不是要求程序最终一定输出十个簇。实际使用的簇数需要从导出结果统计。
pyclone-vi fit -i input.tsv -o fit.h5 -c 10 -d binomial -r 10 -t 1 --seed 289
pyclone-vi write-results-file -i fit.h5 -o results.tsv
二项分布与本例的生成方式相配,但真实测序可能存在额外离散性。选择其他计数分布时,应结合数据特征和所用参数说明,不能只因为某种设置能得到更清楚的分群就认定更正确。参数定义可对照 官方命令入口,同时保留本机版本帮助。
两组输入到底差在哪里
完整组包含九十个突变乘以两个样本,共一百八十行。第二组从同一张表出发,只保留替代读段数大于零的行,因而删去六十条有参考覆盖但零替代的记录,留下一百二十行。其他计数、拷贝数和肿瘤含量均未改变。
这模拟的是把各样本的阳性调用列表直接拼接后用于联合分析的常见问题。第二组并没有创造新的生物学数据,只是改变了向模型提交的信息。为了让这个原因可核查,附件同时保留两组输入、原生日志及输出突变编号。
| 核对项目 | 完整记录 | 仅阳性记录 |
|---|---|---|
| 输入行数 | 180 | 120 |
| 输入唯一突变数 | 90 | 90 |
| 输出唯一突变数 | 90 | 30 |
| 输出簇数 | 3 | 1 |
注意第二组的关键变化发生在模型纳入阶段。日志显示六十个未出现在所有样本中的突变被移除,而剩下的三十个恰好全来自共同组。结果中没有另外两组,不能说它们已经被模型证明与共同组属于同一克隆。
完整结果怎样对应原始计数
完整组中,A特异组在样本甲的原生细胞比例约为零点六五七五,在样本乙为零。B特异组在样本甲为零,在样本乙约为零点六五九二。共同组在两样本分别约为零点九七九四和零点九九四,与生成条件接近但并非每项精确等于设定值。
这些差异与有限计数、网格近似和模型条件有关。不能把小数位数当作测量精度,也不需要把输出改成生成值才算成功。真正应核对的是输入条件、估计量定义、聚类对应关系及合理的不确定性,而不是追求每个数字完全一致。
本例各突变的导出分配概率均为一,是清楚分离的简化输入下的输出,不等于真实样本准确率百分之百。实际任务中的混合状态、读段偏差和错误先验,可能让模型很自信地给出有偏解释,概率字段仍需结合模型适用条件审查。
一个簇的编号不代表共同祖先
完整组的共同突变被标为一个编号,删行组中相同共同突变改为另一个编号,但两样本的估计比例保持一致。这说明编号只是当前拟合中的标签,不能跨运行直接把编号相等理解为同一个细胞群,也不能把编号变化理解为生物学演化。
比较不同运行时,应根据突变成员和跨样本比例匹配簇,再看差异来自成员变化还是估计变化。单看颜色、排序或编号,容易把标签置换当作结果不稳定,也可能遗漏真实的成员丢失。
即使完整结果清楚分成三组,也还没有直接给出三个独立细胞群的完整祖先关系。一个细胞可能同时携带多个突变集合,群体频率与树结构之间存在额外约束和假设。需要进一步演化推断时,应使用适合该问题的方法,并明确其输入来自哪一层结果。
结果交付前应核对哪些数量
一个实用的审查顺序是,先统计输入样本数与唯一突变数,再统计每个突变覆盖了多少样本,随后查看日志中实际纳入和剔除的数量,最后核对输出成员集合。这样可以把数据丢失与模型聚类变化分开,不必等到解释结果时才发现输入不完整。
如果输出突变数比输入少,应优先找到具体被移除的编号和原因。不能只把剩余结果画成漂亮的热图,也不能通过降低阈值盲目补回。对于有真实覆盖但零替代的位置,保留计数与有效深度,对于没有可靠观测的位置,则保留缺失状态及处理理由。
同时应检查同一样本的肿瘤含量是否一致、主次拷贝数是否对应相同参考版本、变异标识在不同样本间是否一致。不同表示法或坐标体系也会制造表面上的缺失,必须先规范身份,才能讨论生物学差异。
优点、局限与本例能复用的经验
PyClone-VI 的优势是能联合多个样本的读段与拷贝数信息,并通过变分推断和随机重启形成可导出的突变聚类结果。局限是它高度依赖输入计数、完整性和拷贝数条件,最终簇数也不能单独代表真实肿瘤复杂程度。
本例没有执行比对文件取数、体细胞变异检测、拷贝数估计或真实演化树验证。完整输入与删行输入都实际运行了原生软件,读者可以复现的是一项具体经验,联合分析里的零替代记录可能提供关键区分信息,而缺行导致的突变排除必须在解释簇数之前查清。
下载原创输入生成、原生调用与实际结果(ZIP)。合集按工具分目录,包含安装版本、运行条件和实际输出摘要。按各目录说明准备环境,在新的工作目录复跑,并保留日志与中间表。
当多部位样本与随机重启数量增加时,可携带样本数、候选突变数和固定版本需求,向云生信生物分析服务器业务咨询环境与资源安排。
