想把一张单细胞热图中的 Ensembl 编号换成容易阅读的基因名,你用两列表做了一次匹配,结果表达矩阵突然少了几百行。有些行得到了同一个名字,有些名字变成了空值。更麻烦的是,若按符号重新汇总,某些样本的总分子数竟然增加了。这个问题可以拆成两件能查证的小事:每一条原始表达行被分到了哪里,以及分子数在这个过程中是否被丢弃或重复。本篇用七行可手算的模拟矩阵演示如何追踪这两件事。

在改名之前,先看原始特征表
打开测序交付目录中的特征文件。常见的十倍基因表达输出会分别给出特征标识、显示名称与特征类型,矩阵行对应的是该文件的原始行序。把用户熟悉的基因符号用作图上的标签通常很方便,底层矩阵却仍可沿用稳定标识作为行键。一个对象里若同时存在抗体、向导或其他特征,先选择合适的特征类型,再处理目标基因。否则一套只针对基因的映射表会把其他特征变成大批空值,误以为参考注释严重缺失。10x 表达矩阵与特征文件说明
还要明确物种、基因组和注释版本。同一个基因的稳定标识可能附有版本号,版本变化记录了实体定义的更新;符号则可能随命名调整而改变。查找对应时可以另建一列去掉确认属于 Ensembl 版本格式的尾号,原始字符串始终保留。把所有含点的名称都按第一个点截断,可能破坏其他命名体系的有效特征。即使两个版本去掉尾号后相同,也不能直接判断两条表达行来自相同测量,更不能把两行当作两个互不相关的新基因。Ensembl 稳定标识与版本说明
先决定你需要展示名,还是要改变矩阵
如果目标是给图里的十个候选基因加标签,最轻便的办法是在原始行旁边新增显示名。对于无法可靠映射者,可以仍然显示稳定编号,并在图注解释映射来源。这样每个分子留在原先的表达行,上游计数和下游建模都容易复现。若目标方法要求输入无重复的基因符号,则必须进一步定义遇到重复时的处理。删除、合并、取最大表达行或暂时隔离,是四种结果不同的操作,要能解释为什么该选择符合实验的特征定义。
特别小心一种看似省事的做法:遇到重复显示名就自动在末尾增加数字。这样可以让绘图软件接受行名,却没有解决两个基因是否应该合并的问题。外部通路基因集一般也不会识别临时造出的后缀,结果可能是一部分基因在图中可以显示,在打分时却悄悄漏掉。反过来,把所有指向相同符号的行一律相加,有时会把不同实体或重复注释的计数混入同一行。先统计映射关系的形状,再为不同情形选择处理办法。
| 从原始行往外查 | 审查清单里的记录 | 本练习怎么保留分子数 |
|---|---|---|
| 一个原始标识只对应一个未占用符号 | 唯一对应 | 原始 ID 和符号同时写入可用表 |
| 一个标识查到两个候选符号 | 多个候选 | 原行转入待查表,只保留一份计数 |
| 两个不同标识指向同一个符号 | 符号冲突 | 各自保留原始行,等待核对 |
| 去版本后多个原始行共用一把键 | 查找键冲突 | 保留各自版本和计数 |
让七个基因演示四种去向
下载完整代码、示例数据与参考输出(ZIP) · 下载图文操作手册(PDF)
下载包包含一份小计数表和一份模拟的注释映射。这里的基因编号与显示名都用于教学,不能用于真实基因注释。先运行命令,再把审查表和原始计数表放到一起,逐行用手指从左到右核对。
python run.py --input example --out results
def stable_id(value):
match = re.fullmatch(r"(ENS[A-Z]*G[0-9]+)(?:\.[0-9]+)?", value)
return match.group(1) if match else value
前两行有唯一候选,可以安全增加符号。接下来的两行拥有不同的稳定标识,却共同指向名为 SHARED 的教学符号。第五行则相反,是一个稳定标识对应两个可能的名字。最后两行的原始标识尾号不同,去版本后使用同一查找键。只要在匹配时让第五行展开为两行,再把每行的原始计数照抄一次,总量就会增加。这类一对多膨胀很容易隐藏在列数众多的单细胞矩阵里,小例子可以先把错误机制看得一清二楚。
def decide(key, candidates, key_counts, symbol_owners):
if key_counts[key] > 1:
return "duplicate_lookup_key"
if not candidates:
return "unmapped"
if len(candidates) > 1:
return "multiple_candidates"
if len(symbol_owners[next(iter(candidates))]) > 1:
return "symbol_collision"
return "unique"
函数给每条输入分配一个处置状态,多个问题同时出现时按已记录的先后顺序归类。输出中仍写全候选名称,因此读者可以继续追查同一行可能有哪些其他冲突。没有候选的行会被识别为未映射。你可以在教学表副本里移除某个唯一基因的映射记录,观察它从可用表转入待查表,再对照两个表的计数变化。此操作只改变注释可用性,原始测量中的分子没有发生任何变化。
用一个样本检查计数守恒
打开逐列核对表,先选样本一。七条原始行的原始计数合计为三十九,其中确认使用唯一符号的两行合计十二,待查的五行合计二十七。两者相加回到三十九。把同样的手算放到第二个样本再做一遍,是为了防止刚好有某个歧义基因在第一列为零,让映射错误没有表现为总量变化。对于真实稀疏表达矩阵,选择有非零值的条码与基因组合做小样本手算,同时对全部列检查总数,能覆盖两种不同类型的错误。
值得留意的是,总量守恒只告诉你分子没有凭空增加或丢失。若把两个基因的标签对调,总数仍然完全一致。要检查标签方向,再选一两个有可靠证据的已知基因,从当时建参考使用的注释文件中独立核对标识、名称和基因组位置。遇到曾经使用过旧名称的候选,记录旧名、当前名、证据来源和处理日期。未来拿到另一版通路基因集时,这些信息可以帮助判断不匹配究竟是版本差异,还是该基因从来没有进入过测量范围。
数据越大,越该先在很小的特征表上解决问题
面对几十万细胞时,不必一开始就把整张稀疏矩阵转换成长表。先导出几万条基因行名,在很小的映射清单上完成来源核对和冲突分类,再用稳定行索引把审查结果带回表达对象。对于只想画图的场景,保留稳定行键和单独显示列已经足够。对必须提供唯一符号的下游方法,可先导出严格可用的子集,报告被排除的类别和它们所占的计数,再决定哪些待查候选值得人工补全。关注某条通路时,还应看被隔离者是否恰好包括解释该通路必需的关键基因。
做跨队列对照时,还要先约定映射的时间基准。第一套数据用旧注释,第二套用新注释,一个稳定编号可能经历拆分、合并或名称更新。先分别保留两边完整原始清单,再将各自映射到共同参考,报告有多少关键基因只能单边核对。如果两个队列出现不同基因数,先区分是参考特征本来就不同,还是转换时的规则不同,避免让同一条生物学发现仅仅因为名字写法不同而显得无法复现。
把这次的选择留成两份小文件,一份保存原始 ID、查找键、候选符号和处置理由,另一份保存使用的注释版本及逐样本计数核对。这样有人问“为什么旧图里有这个标记,新表却找不到”时,可以沿行追查它是未映射、符号冲突、因特征过滤丢失,还是在某个样本中恰好为零。若后续需要在多套大型矩阵上重复应用已经验证的映射,不妨先对一个文库试跑并记录稀疏矩阵的读写占用,再按实际体量选择继续分析的环境。云生信科研服务器租赁
