
SoupX多样本校正应从同一捕获的raw、filtered和聚类结果配对开始。raw提供液滴背景,filtered提供需要校正的细胞;不同捕获的背景不能随意合并估计。本文使用已读成dgCMatrix的两个原始UMI计数RDS,行名为同一种唯一基因标识,列名为条形码,不使用标准化或整合后的表达矩阵。
为每个捕获保留一个输入包
| 文件 | 内容 | 必须对应 |
|---|---|---|
| raw.rds | 包含背景液滴的特征乘液滴计数 | 同一次捕获、同一参考 |
| filtered.rds | 特征乘细胞计数 | 条形码是raw子集 |
| clusters.csv | barcode、cluster两列表头 | 恰好覆盖filtered细胞 |
多模态10x输入应先取Gene Expression,同一套基因ID不能一边用symbol一边用Ensembl ID。raw与filtered行顺序可能不同,代码先确认集合一致后重排;条形码则要求完整匹配,避免误把加过样本前缀的其他捕获聚类写入。一个输出目录只服务一个捕获和一次尝试。
library(SoupX)
library(Matrix)
a <- commandArgs(TRUE)
stopifnot(length(a)==2)
raw <- readRDS(file.path(a[1],"raw.rds"))
toc <- readRDS(file.path(a[1],"filtered.rds"))
check <- function(z) {
stopifnot(is(z,"dgCMatrix"),nrow(z)>0,ncol(z)>0,
!is.null(rownames(z)),!is.null(colnames(z)),
!anyNA(rownames(z)),!anyNA(colnames(z)),
!anyDuplicated(rownames(z)),!anyDuplicated(colnames(z)),
all(nzchar(rownames(z))),all(nzchar(colnames(z))),
all(is.finite(z@x)),all(z@x>=0),all(z@x==floor(z@x)))
}
check(raw);check(toc)
stopifnot(setequal(rownames(raw),rownames(toc)),
all(colnames(toc) %in% colnames(raw)),all(Matrix::colSums(toc)>0))
raw <- raw[rownames(toc),,drop=FALSE]
delta <- drop0(raw[,colnames(toc),drop=FALSE]-toc)
stopifnot(length(delta@x)==0)
rm(delta)
cl <- read.csv(file.path(a[1],"clusters.csv"),stringsAsFactors=FALSE)
stopifnot(all(c("barcode","cluster") %in% names(cl)),!anyNA(cl),
!anyDuplicated(cl$barcode),all(nzchar(as.character(cl$cluster))),
setequal(cl$barcode,colnames(toc)),
!file.exists(a[2]),dir.create(a[2],recursive=TRUE))
sc <- SoupChannel(tod=raw,toc=toc)
sc <- setClusters(sc,setNames(as.character(cl$cluster),cl$barcode))
pdf(file.path(a[2],"contamination-estimate.pdf"))
sc <- autoEstCont(sc,doPlot=TRUE)
dev.off()
set.seed(2026)
corrected <- adjustCounts(sc,roundToInt=TRUE)
stopifnot(identical(dimnames(corrected),dimnames(toc)),
all(is.finite(corrected@x)),all(corrected@x>=0))
saveRDS(corrected,file.path(a[2],"corrected.rds"))
saveRDS(list(metaData=sc$metaData,fit=sc$fit,seed=2026),
file.path(a[2],"contamination-fit.rds"))
writeLines(capture.output(sessionInfo()),file.path(a[2],"session.txt"))
先顺序运行,再决定批量并发
/usr/bin/time -v -o S01.time.txt Rscript soupx.R /data/S01/soup-input S01-attempt1 > S01.log 2>&1
把代码保存为soupx.R。结束后重新读取校正矩阵,核对基因与条形码、每细胞总量及污染估计图;抽查预期污染标记和真正表达群体,不能只以计数下降作为正确证据。roundToInt=TRUE采用随机舍入,例中固定种子;若下游接受非整数校正值,可根据方案选择并记录,不能把两类结果无说明地混用。
估计失败时先查数据条件
autoEstCont官方说明依赖具有不同标记的细胞群体。单一细胞系、分选后的高度同质群体或缺少可用标记时,自动估计可能失败或给出不合理值。先检查背景液滴、聚类和标记条件,不用forceAccept或随意指定污染比例让整批强行通过;有独立依据的手工估计应另存方法记录。
按捕获记录raw液滴数、filtered细胞数、非零元素、峰值RAM、输出和中间文件大小。一个进程只读一个捕获,完成后结束进程可避免整批对象持续累积。通过方法验收后再逐步增加捕获并发,并观察总内存与共享盘负载;CPU更多不代表所有估计和校正步骤都会同比加速。
结果目录还应保留哪些证据
把三个输入文件的路径和校验值、聚类版本及背景来源写入任务清单。若filtered经过额外细胞筛选,应说明筛选规则并同步聚类表;不应悄悄把不同计数版本拼成一对。代码检查raw中的细胞子矩阵与filtered相等,可提前发现常见的读错文件或额外变换。
验收表可填写校正前后细胞数、基因数、每细胞总UMI分布、主要群体的污染估计和选定标记变化。校正后保留相同维度并不代表生物学无变化;真正应关注的是疑似背景是否下降,以及合理的群体内源表达是否仍可解释。
raw液滴数往往远多于filtered细胞数,资源计划需要同时记录二者及非零元素。仅按最终校正矩阵大小安排内存会漏掉背景和估计过程。失败捕获单独保留日志和估计图,在新目录修正输入后重跑,不用一个捕获的污染率填补所有失败样本。
需要额外算力时
适用前提:输入配对正确且已完成方法判断,批量校正需要额外计算资源。如需额外资源,可评估按任务测算的CPU服务器租赁。咨询时说明软件版本、任务规模和使用期限,配置与支持范围另行确认。
咨询本任务的服务器配置
留下手机号,我们会结合本文任务与您沟通服务器配置和报价。 也可联系云生信企业微信客服,说明本文任务。咨询本任务的服务器配置
参考与版本核对
按文中适用环境运行,所用版本与参数以实际安装环境和对应官方文档为准。
