一份外周血单细胞数据,过滤后的对象只剩很少的血小板。去原始液滴里搜 PF4 和 PPBP,却有几十个低计数条码同时命中。该不该把它们全部捞回来?先找同一文库里计数更低的一批液滴,看看这两个标记本来就在背景中占多大份额。接下来再查每个候选条码的整体表达是否也偏离这份背景。下面的两个微型文库都有七个植入的血小板样候选,背景中这两种基因的丰度却差了六倍左右,只看双标记会得到两份很不一样的复查名单。

找回未经过细胞识别的矩阵
血小板自身的 RNA 含量比许多有核细胞低。若按总 UMI 从高到低划定一个细胞名单,携带真实细胞信息的低计数条码很容易落到阈值之外。另一方面,液滴捕获时存在环境 RNA,某些空液滴完全可能包含与血小板有关的转录本。低计数、出现血小板标记这两条线索叠加,还不足以对每个条码下结论。EmptyDrops 方法的原始研究在外周血数据里报告过新恢复的血小板样群,核心依据是条码的整体表达谱相对文库背景有多异常。EmptyDrops 原始研究
准备两份东西:每个捕获文库自己的未过滤 RNA 计数矩阵,以及常规上游方法最初识别为细胞的条码。第二份可以取自同一次运行的过滤矩阵列名。先对齐原始条码,包括捕获后缀;不同文库出现同样的条码文字完全正常,后续表里始终用文库和条码一起定位。若手里只有下游已经筛过基因、细胞或做过归一化的对象,不能从中重建丢弃的原始液滴及其背景。回到交付包找原始矩阵,有时比在现有坐标图上反复降低绘图阈值更省时间。
先在自己的电脑上复现两份文库
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)
每份教学文库都含一百二十个用于估计背景的低计数条码、八个最初已被识别的高计数条码,以及十五个落在复查范围内的未识别条码。基因数、分子数与组成均为教学模拟。资料包已经保留给这两份矩阵实际运行 EmptyDrops 产生的逐条码检验表,因此用 Python 可以直接复现背景组成、标记门槛与交集结果。需要改变检验参数时也附有 R 脚本,可对原始计数重新分析。先从下面两行命令开始,不需要将任何研究数据上传。
python -m pip install -r requirements.txt
python run.py --input example --out results
先打开背景结果。文库 L1 的低计数池合计有八百七十五个 UMI,其中 PF4 九个、PPBP 七个,两者相加约占百分之一点八三。L2 的背景池有八百八十九个 UMI,两个标记分别贡献四十二和五十八个分子,合计约占百分之十一点二五。把两份文库混在一起估背景,既会抬高第一份的基线,也会压低第二份的基线。对某个总计数只有三十至四十的条码而言,这种差别已足以改变“双标记出现值得多惊讶”的判断。
| 分析条件 | L1 | L2 |
|---|---|---|
| 候选背景里 PF4 与 PPBP 占全部分子的比例 | 16 / 875 | 100 / 889 |
| 落入复查范围、原名单没有的条码 | 15 | 15 |
| 两标记都检出,且整谱检验通过 | 7 | 7 |
| 两标记都检出,仅满足标记条件 | 1 | 6 |
上面这张表的每个比例都有自己的分母。背景占比是把低计数池里的分子全部相加以后算出的分子组成;最后两行数的是条码。若先给每个小液滴算标记比例,再对液滴取平均,只有一两个分子的液滴也会被赋予同样的权重,得到的量就不同了。下面这段代码是练习实际用来汇总候选背景的部分。正式项目先检查低计数范围是否混入明显有细胞信号的条码,同时观察更换相邻范围时高丰度背景基因的排序是否稳定。
def pooled_background(totals,marker_rows,called,lower):
use=(totals>0)&(totals<=lower)&(~called)
n=int(totals[use].sum())
if not n:raise ValueError("No nonempty, uncalled candidate background at specified lower bound")
return use,n,np.asarray(marker_rows[:,use].sum(axis=1)).ravel()
在同一条码上读检验结果与标记分子数
打开逐条码表,在 L1 中找到 P00。它的总量是四十二个分子,其中 PF4 十一个、PPBP 十五个。给定这份合成数据与实际运行的参数,整谱检验校正后的数值约为零点零零零三一,达到了练习使用的百分之一门槛。同一文库另一个条码 A06 有四十三个分子,两个标记也都出现了,但各只有一个分子,校正后的数值约为零点三四。总量几乎一样、两个名字也都在,最终却进入不同的复核清单。拿这两个具体条码并排查看,比仅用两类细胞的平均表达更容易说明判定理由。
统计程序用原始矩阵的整套基因估计环境表达谱,在给定条码总计数的情况下评估观测表达组成与环境背景是否相容。大量条码同时检验时,要查看经过多重检验校正的结果,并区分未进入检验的条码和真正获得了较大检验值的条码。输出中的 Limited 提醒读者蒙特卡洛抽样的分辨率可能限制了所报告的尾部概率,特别是结果靠近决策边界时可以增大模拟次数再跑。这里单列的两个标记占比便于人工解释;它并未取代整套基因的统计检验。DropletUtils 的 EmptyDrops 教程
若想亲手更新那张检验表,安装 R 及所需的 Bioconductor 软件包。在教学目录的副本上运行下面两行,第一行将重新写出两份文库各自的检验结果,第二行再从原矩阵汇总条码。同一份数据在不同包版本、不同蒙特卡洛次数或不同随机种子下,小的数值差异很正常。手册保留了本练习的设置,示例的背景上限为十个分子,自动保留区从一百个分子起,复查只取十个以上至五十五个的未识别条码,因而高计数的自动保留不会直接带入这份低计数清单。
Rscript rerun_emptydrops.R example
python run.py --input example --out rerun-results
候选名单恢复了什么,还有哪些说不清
一份条码同时满足统计条件与标记条件,可以标为血小板候选,接下来仍要查看其他血小板相关标记、与白细胞谱系标记的组合、是否存在血小板附着或聚集体,以及不同捕获批次能否见到相似细胞。有些真实的低 RNA 血小板由于采样稀疏,恰好只检出一个标记,严格要求两个标记会漏掉它们。有些完全不同的细胞也可因细胞碎片或结合了血小板而带有相似信号。实操时另外记录“整谱异常但未满足双标记”与“双标记但缺少整谱支持”两个方向的候选,以便针对研究目的回去查。
若准备把候选带回表达对象,先将审核后的条码表按文库主键与原始矩阵连接,分别添加上游是否识别、新增候选的依据和研究者复核状态。重新计算加入前后的细胞数和目标群比例,图注写明原有和新增条码各有多少。不要把按照特定标记挑回来的细胞直接用作证明该标记在病组上调的独立证据,否则细胞被选中的规则和要回答的问题会互相影响。更稳妥的做法是按供者分别展示恢复量,比较相同判定规则下两组是否同样适用,再结合实验计数或其他测量核实变化。
一份文库的背景、检验量和手工标记数都对上以后,再开始批量处理。若队列里有很多未过滤液滴,并需要把蒙特卡洛次数提高以复核临界结果,可以按一次试跑的时间、内存与文库数估算后续计算资源。云生信科研服务器租赁
