同一份测序交付中,raw 矩阵有很多条码,filtered 矩阵却只剩一小部分。第一次分析很容易在两者之间走到两个极端:直接将 raw 的全部列都标成细胞,或者只保留 filtered,从此失去查看背景的机会。两份矩阵其实允许你做一个很具体的检查。把上游已经认定的细胞放回该文库的完整条码排序,然后看看边界附近还有什么,以及哪些低计数液滴可为描述环境背景提供线索。接下来的模拟文库足够小,你既能在图上跟踪每个点,也可以把点追到一个基因的一格计数。

不要从矩阵的文件大小猜里面装了什么
打开两套目录,各自寻找表达稀疏矩阵、条码表和特征表。第一套记录未经过细胞识别筛选的特征与条码计数,第二套保留上游流程判定进入细胞集合的条码。理解 raw 在这里的含义很重要。这已经是分子计数,经历了读段处理、条码和分子标识处理、比对或计数归属等上游步骤。想改变参考基因组或重新进行读段比对,就需要追溯更早的输入。已经得到表达矩阵,足以完成本篇的条码复核和背景组成练习。10x 的特征条码矩阵说明
多模态文库还应先看特征类型。如果把抗体、表达和其他特征一并计入每个条码的总分子数,你画出的排序可能由某一种高丰度读出主导。此次我们只选基因表达特征,给每个条码加总所有基因的原始 UMI。实际操作时保留原始特征标识作为行键,显示名称可另外保存。有的组织含多个同名基因符号,靠符号对齐两份矩阵可能让部分行错位。在正式统计前,从两份矩阵各挑一个共同条码,核对一小段原始计数,很快就能发现读错目录或计算层的情况。
把上游的细胞名单叠回完整排序
先按 raw 矩阵的列和从高到低排序,给每个条码标一个名次。再查看它是否出现在 filtered 的条码表中,把保留与未保留的点用不同颜色画在同一条排名曲线上。不要把 filtered 重新从一排到末尾后直接和 raw 图叠加,这样会改变横轴的含义。同一条码在原始排名上只能有一个位置。若多个条码计数相同,示例使用条码字母顺序打破并列,只为保证标识可核对,并不意味这些条码有不同的生物学优先级。
曲线陡峭的下降段有助于找出数量级发生变化的区域,却不能用纸笔画一条线就把所有细胞和液滴完全分开。低 RNA 含量细胞可能靠近背景区,高计数的条码也可能含环境物质、细胞碎片或多个细胞。上游细胞识别还可能利用表达谱,而非仅按总计数截断。若你看到未保留的点落在部分已保留点附近,先核对是否来自同一版本的分析,然后检查该点的表达组成与候选谱系标记。有了这些线索,才能决定要不要尝试正式的再识别分析。
| 排名上出现的条码 | 第一眼可以确认 | 继续复核的方向 |
|---|---|---|
| 位于 filtered,且两份矩阵计数一致 | 上游保留了该条码 | 后续仍需做细胞质量与双细胞检查 |
| 未保留且分子数处于所选低计数范围 | 候选背景条码 | 检查背景基因谱和范围敏感性 |
| 未保留但计数高于背景范围 | 值得复查的条码 | 回看标记组合与推定空液滴的差别 |
| 共同条码在两矩阵计数不同 | 输入来源可能不一致 | 先停下,核对文库、参考、是否已校正 |
用八个条码,把两个矩阵真正对齐
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)
资料包内是标准三文件格式的小型稀疏表达矩阵。为了避免程序仅靠位置读表,教学用 filtered 文件同时调整了基因与条码的排列顺序。解压后安装依赖并运行,脚本会在结果目录保存排名图、逐条码表、候选背景谱和待查条码。这里的阈值故意选得很小,便于拿纸复算每个分子,不适用于真实的细胞识别。
python -m pip install -r requirements.txt
python run.py --input example --out results
def align_filtered(raw,filtered):
genes,barcodes,matrix = raw
fg,fb,fm = filtered
gene_index = {name:i for i,name in enumerate(genes)}
cell_index = {name:i for i,name in enumerate(barcodes)}
if set(fg)!=set(genes) or not set(fb)<=set(barcodes):
raise ValueError("两个矩阵的 RNA 特征或条码不能对齐")
sub = matrix[[gene_index[g] for g in fg],:][:,[cell_index[c] for c in fb]]
if (sub != fm).nnz:
raise ValueError("共用条码上的原始计数不同,请核对来源")
return set(fb)
这段检查先问两份输入的基因集合是否一致,再问每个过滤后的条码能否回到原矩阵中。随后按各自的真实键定位矩阵位置,比较共同区域的计数。如果你传入校正过环境 RNA 的输出,其中某些共同条码的数值可能已改变,脚本会指出来源不相符。要研究去污染前后的变化当然可以比较不同数值,但那是另一种有意设计的比较,本题要验证的是来自同一次普通计数运行的 raw 与 filtered 对应关系。
def rank_cells(cells, totals, kept, upper):
ordered = sorted(zip(cells,totals),key=lambda x:(-x[1],x[0]))
records = []
for rank,(key,umi) in enumerate(ordered,1):
if key in kept: state="called"
elif 0<umi<=upper: state="background_candidate"
elif umi==0: state="zero"
else: state="review"
records.append((rank,key,int(umi),state))
return records
打开练习结果中的背景表。给定不超过五个分子的教学范围,有三个候选条码,总共九个 UMI。先在原矩阵里手工找到其中一列,按四个基因各读一个数,再将三列逐行相加。每个基因的和除以九,就得到当前候选背景中该特征所占的比例。要描述整个背景池的分子组成,应先合计分子再除总量。若先算每个液滴中的比例再取平均,等价于给一个分子的液滴和数个分子的液滴同等权重,得到的是另一个有不同解释的指标。
有人会把原始条码按总量排序,把过滤矩阵重新单独排序,然后把两条线画在一起。这种画法可以描述各自集合的分布,却不能直接读出同一个液滴在哪个位置丢失。尤其是曲线出现许多相同计数时,排序相邻的点可能对应完全不同的条码。实际核查时保留一份以原始条码为行的主表,使用同一条横轴,以颜色标出已识别项。两点若重叠,可以查询原表中的排名、条码和计数。对两边都出现的条码,再任选一个基因逐项比对;若同一条码同一基因的原始数字也发生变化,应先追查是否选错了文库、特征类型或上游输出版本。
复查一颗没有进入 filtered 的点
条码 D4 在原矩阵中有十六个分子,位于此次背景上限之外,又不在保留名单里。练习将它放入待查表,没有自动改判细胞。你可以在四个基因上比较它和背景池是否相似。真实文库则应扩大到足够多的特征,重点查看信号是否由几种高丰度背景基因承担、是否同时检出成套谱系标记,以及附近条码是否代表同一类低 RNA 含量群体。若决定通过统计检验寻找遗漏细胞,应保存方法、显著性与多重检验设置,并与原有名单取并集或交集时记录具体规则。DropletUtils 的液滴判定实例
对真实组织,重新设置背景范围后要查看哪些基因的排序明显变化。有些样本细胞悬液中红系或高分泌细胞贡献了大量环境转录本,某一高表达基因在低计数条码中到处都在。也有样本的低计数边缘保留着一批真实细胞,背景上限若设得过宽,就会把它们一起选进背景。分别在相邻的保守范围重算背景组成,比只报告一次阈值更能反映稳定性。若组织或制备批次不同,按文库分别选背景和作图,再横向比较。
把输出留给下一位分析者时,可以同时保留原始条码名、上游识别标签以及你自己的候选标记。将“复查”“被上游保留”“推定背景”作为三个有明确来源的状态,后面为某个稀有亚群重新评估细胞识别时才有回头的余地。先在一个文库学会追溯排名与表达,等扩展到多份大型原始液滴矩阵、需要保留多个背景范围的中间结果时,再用一次试跑的磁盘与内存记录安排后续计算。云生信科研服务器租赁
