同一管脑组织细胞核,交付方第一次给你的计数偏低。换了一种设置重跑,报告里的中位基因数上升,原来几乎看不见的一个标记也出现了。组会上很容易有人说“多算了内含子,找回了新的细胞类型”。要把这句话拆开,有两件事可以立刻动手。先打开两份被识别为细胞核的条码名单,看看第二次纳入了谁;再找到两边都出现的同一颗核,看它多出了多少分子、多少种基因,以及你关心的标记究竟从几变成几。

从一颗核说起,哪些序列能进入基因计数
细胞核里常能捕获尚未完成剪接的转录本。当测到的片段落在内含子区域时,计数程序采用的规则会影响这个读段能否参与基因表达定量。要注意一次测序读段、一条可分配到某个基因的比对和一个最终保留下来的分子之间还有处理步骤。PCR 扩增可能让同一条分子被多次测到,同一个细胞条码内还要按基因与分子标识进行去重。因此将两个矩阵相减所得的是两套流程下最终分子计数的差值,不能把差值直接命名为每个基因新转录了多少内含子分子。Cell Ranger 基因表达计数算法
先向交付方索取完整命令、软件版本、参考目录和两份细胞识别输出。旧项目尤其值得留意,Cell Ranger 从第七版起改变了常规全转录组基因表达流程计入内含子的默认行为。两份命令即使都没有显式写出这个选项,也可能由于所用版本不同而不可直接比较。准备重跑时用同一版本、同一套基因组和注释、同一批 FASTQ,将纳入内含子的选项分别显式设为真和假,运行标识各写一个。只知道销售部门交付的“人类参考”“最新版”这些称呼,还不足以解释很小的计数变化。Cell Ranger 第七版更新说明
一份测试数据,有意把两张矩阵的行列打乱
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)
练习包有两个按标准三件套组织的稀疏矩阵目录。一个代表仅计外显子的结果,另一个代表纳入内含子的结果。每边各有四颗被识别的核,基因名称也能一一对应,但第二份矩阵的基因行以及条码列顺序都被打乱了。标记使用虚构的教学基因名,所有数字都是为手算准备的。我们从已经生成的计数开始,这样一台普通电脑也能复现从核对文件到解释结果的完整练习。上游对测序读段的重新比对,需要自己的原始文件和相应版本的计数程序。
python -m pip install -r requirements.txt
python run.py --input example --out results
运行后先打开条码表。只有外显子版本识别到的那颗核叫 N4-1,只有纳入内含子版本识别到的叫 N5-1。两边一共出现过五个不同的条码,其中三颗核才有直接配对的数字。真实项目中后缀代表的捕获批次也要作为条码身份的一部分,特别是不同文库中重复使用相同条码集合时。若准备联合展示多位供者,在这一环节始终按文库内的原始名字配对,之后再加上文库标识合并导出的表。
| 想回答的问题 | 取哪一批条码 | 从输出中读什么 |
|---|---|---|
| 上游识别的细胞核名单变了吗 | 两套名单的并集 | calls.tsv 中两侧是否出现 |
| 同一颗核多检出多少东西 | 两套名单的交集 | paired_nuclei.tsv 的分子数与基因数 |
| 原来用来注释的标记变了吗 | 共同核,逐基因检查 | paired_markers.tsv 的配对计数差 |
自己手算一列,再核对自动结果
从未计内含子的矩阵抽出条码 N1-1。四个基因分别有三个、两个、零个和零个分子,所以它有五个 UMI,检出两个基因。纳入内含子的版本中,按相同的基因键重排列后,数字变成六、二、二、零。总量从五变为十,检出基因从两种变为三种。回到原来那个标记 DEMO_A,它增加了三个分子,但本来已经能检出,对“多检出一种基因”的贡献为零。真正从未检出变成检出的是第三个基因。把这个小例子算懂,比笼统写成“灵敏度翻倍”更能说明这颗核发生了什么。
脚本先按两边的基因 ID 对齐,再按共有细胞核的身份提取两列。即便两个输入矩阵具有完全相同的行数和列数,直接按位置相减也可能把不同的基因、不同的核配在一起。真实数据还有其他特征类型时,读取器只保留基因表达部分,并检查原始计数是否为非负整数。代码里的共享条码按同一顺序提取,这让返回的两个稀疏矩阵可以逐项比较。你可以在示例中打乱条码文件与矩阵列的对应关系来理解错误来源,但不能将只排序条码文字而没有同步重排矩阵列的文件用于正式测试。
def paired_axes(exonic, inclusive):
genes, cells, x = exonic
other_genes, other_cells, y = inclusive
if set(genes) != set(other_genes):
raise ValueError("Feature IDs differ. Check the reference and feature type.")
y_gene = {g:i for i,g in enumerate(other_genes)}
xi = {c:i for i,c in enumerate(cells)}
yi = {c:i for i,c in enumerate(other_cells)}
shared = sorted(xi.keys() & yi.keys())
if not shared:
raise ValueError("No shared nucleus barcode.")
before = x[:,[xi[c] for c in shared]].tocsc()
after = y[[y_gene[g] for g in genes],:][:,[yi[c] for c in shared]].tocsc()
return genes, shared, before, after, sorted(xi.keys() | yi.keys())
真实样本动辄数万颗核、数万个特征,整个矩阵展开会占用很多内存。这里统计总 UMI 和检出基因时一直使用稀疏表示,只有读者点名的单个标记才临时取出一行。对每颗核先求两套总量之差,再汇总这些配对差的中位数,回答的是“典型共同核增加多少”。如果单独计算两个样本报告中各自的中位数再相减,统计对象可能包含新增或退出的核,即便两边核数恰好相等也没有消除这种影响。交付时把两种统计量的名称及各自分母都写进图注。
多出的计数集中在哪些核,哪些基因
对自己的数据,可以先按样本列出分子增量的分布,把变化最大的几颗和变化接近零的几颗单独标出来。检查这几颗核的测序深度、标记组合和原始识别位置。例如,某个标记原先只有一个分子,第二次变成三个,这与原先完全检不出而现在一整组标记共同出现,有不同的证据含义。若只有一个基因明显变化,可继续查看它的转录本结构、是否与相邻基因重叠、支持信号位于哪些区域。选择几个已知应有该标记的群作阳性参照,也挑一个有足够覆盖的邻近谱系作比较。
把新增识别的一侧条码留成第二张清单。想查这颗核在另一种口径下究竟有几个分子,可以从两套未过滤矩阵按同一条码提取计数。若手头只有两份过滤矩阵,某侧没有这一列,记录为未在该名单中出现。把缺失值擅自填成零,会让某些原本只是未通过识别的核看起来像获得了从零开始的巨大增量。相反,如果目标是比较整份样本最终交付了多少细胞核,那就应该用各自名单计算回收数,并把这个问题与共同核的表达变化分别报告。
多供者项目最后还有一个检查。假设某个长基因的计数在两位患者的神经元中都增加,但其中一位的一小批低复杂度核增幅特别大。先在每个供者、同一细胞类型内看分布,记录分母、增量以及异常核的覆盖。若后续有病例和对照两组,给所有文库采用一致的最终计数口径,将两套结果作为灵敏度分析保留。只给某个条件换用新的口径,再用合并矩阵比较两组,计算差异和真实条件差异就同时进入了分析。
一个可交接的结果包含两次运行的命令和参考标识、一张条码进出表,再加上少数标记的逐核配对表。即使研究伙伴只关心某个特选基因,也能从表中找到变化发生在哪些核、原先计数是多少。若随后需要对多个大型单核文库成对重跑两次比对与计数,可用一个文库的耗时和峰值空间估算整个队列的计算配置。云生信科研服务器租赁
