单细胞分析

用 CellBender 去完背景,怎样检查真实表达有没有一起被减掉?

作者:发布于 2026-11-17约 8 分钟阅读
在相同条码上分组比较真实标记与背景候选,区分丢失条码和分子减少

一份肿瘤免疫数据做完背景校正后,T 细胞里原先随处可见的 HBB 基本消失了,B 细胞上的 MS4A1 看上去也淡了。第一个变化很符合预期,第二个该不该担心?先把配色固定下来,再把同一批条码的分子数逐个列出来。一个标记的颜色变浅,可能来自表达层或色标变化,也可能是少量分子减少,还有可能是原来含这个标记的细胞没有进入新的细胞名单。这几件事如果混着看,热图越好看,解释反而越容易走偏。

在相同条码上分组比较真实标记与背景候选,区分丢失条码和分子减少

在读标记之前,确认自己打开的是哪份文件

准备同一捕获文库的原始 RNA 计数、CellBender 的校正计数、已有的细胞注释,以及这次运行生成的模型报告。官方输出既包括背景校正后的矩阵,也可以有只保留模型认为是细胞的条码的过滤版本。若使用过滤版本,部分原有条码可能不在里面。把缺少的条码在校正侧直接填成零,相当于假设软件精准测到了这颗细胞的零个分子,这样很容易人为夸大校正效果。先把它标为未纳入当前文件,再决定是否需要去未过滤输出查同一条码。CellBender 输出文件与模型报告

文件匹配时先看文库、参考版本与物种,再查条码和特征轴。条码不要截掉后缀后直接跨样本合并;稳定基因标识要用同一套注释,不能假定两个 H5 中基因行的顺序一样。本文的示例有意调整了校正矩阵的列序和行序。按位置相减会得到一串看似精确、含义却错误的数字。为了让读者能把代码搬到自己的项目,脚本直接读常用 H5 布局里的稀疏矩阵,并按特征类型取出 RNA。输入使用原始或直接校正的分子计数,避开对象里的归一化值和按基因标准化的绘图数据。10x 的 HDF5 特征条码矩阵

设计一组有理由保留的标记,再找应当减弱的信号

先把候选标记写成“细胞群加基因”的组合。同一个 HBB,在 T 细胞中可能主要反映环境来源,在红系细胞里却是重要的阳性标记。只看全部细胞汇总后的 HBB 下降,你无从知道是 T 细胞中的散在分子被成功去除,还是红系细胞本身丢失了大量信号。对每种主要谱系预先挑几种有合理依据的阳性标记,同时选一两种在该谱系应低表达、在周围丰富细胞中易产生背景的基因。尽量沿用校正前已经得到的谱系标签,或利用其他模态、多个相互支持的标记来确认身份。

以 B 细胞为例,可以在同一批预先注释的条码中,分别读 MS4A1 和 CD79A。这里把它们作为教学参照;真实组织中的过渡状态、浆细胞状态、组织来源以及治疗影响都会改变某些标记的表达,不能要求所有 B 系细胞永远高表达同一个基因。如果注释当初完全由目标基因是否阳性决定,筛群规则本身会影响结果。先查看合适的亚群和独立证据,再把这个基因的下降写入复核清单。

跟着十个共同条码跑一遍

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)

解压后运行下面的命令。两套小矩阵是教学模拟,练习目标是审查校正结果,包内没有使用这几个极小的条码训练模型。下载包保留了两个 H5、谱系表、标记表、脚本和参考输出;即使只想看自己常用的一个标记,也建议先把原始设置完整跑一次,核对下面这些容易手算的数字,再替换真实文库。

python -m pip install -r requirements.txt
python run.py --input example --out results

先看条码覆盖表。十一颗已有谱系标签的细胞里,十颗在原始和校正矩阵中都能找到,缺失的是 T5。余下四颗共同 T 细胞,原始 HBB 的分子数分别是三、一、二和零,所以原始检出率是四分之三,原始总量为六。校正后一共零个分子。同一批四颗细胞中,CD3D 检出率前后都是四分之四,总分子数只从二十五降到二十四;另一个 T 细胞标记 CD3E 的分子总量保持十八。有了这个对照,才能说背景候选减弱的同时,这两种谱系信号在本例仍然清楚。

看哪一组 校正前与校正后 下一步核查什么
T 细胞中的 HBB 3/4 → 0/4 检出 在相同四个条码上核对六个分子去了哪里
红系细胞中的 HBB 3/3 → 3/3 检出 总量从 84 降为 74,仍要看强度变化
B 细胞中的 MS4A1 3/3 → 2/3 检出 哪个细胞失去检出,是否还有其他 B 系标记
B 细胞中的 CD79A 3/3 → 3/3 检出 原始与校正总量都是 16,可作为另一参照
def marker_change(before,after):
    """Both arrays refer to the same gene and exactly the same ordered barcodes."""
    raw_pos=before>0
    clean_pos=after>0
    return [len(before),int(raw_pos.sum()),int(clean_pos.sum()),int((raw_pos & ~clean_pos).sum()),
            float(before.sum()),float(after.sum()),float(np.median(after-before))]

逐细胞表能把汇总翻译为具体条码。三颗 B 细胞的 MS4A1 原先为八、三、一,校正后为四、一、零。第三颗从阳性跨到零,第一颗虽然仍阳性,计数也降了一半。若只看检出率,会漏掉第一颗大幅改变的表达强度;只看总量则不知道变化集中在一个细胞还是广泛分布。再拉出 CD79A,三颗细胞对应七、四、五个分子,前后均保留。这个差异让 MS4A1 值得单独检查,但它没有提供逐分子的来源标签,不能凭这组数字宣布模型一定删掉了真实转录本。

回到模型报告,区分低覆盖和系统性变化

还可以把每颗细胞的原始总分子数作为横轴,把某个标记被减掉的分子数作为纵轴,并在同一面板中保留研究者预先定义的谱系。如果下降主要集中在原始标记只有一两个分子的条码,就不宜将它与高覆盖阳性细胞中成十成百个分子的减少合并为一个结论。若不同文库的群体大小相差很多,先分别画出每份文库的分布,再查看哪个样本贡献了总体趋势。尤其当大多数红系细胞来自同一位供者时,只给出全队列一个平均值,会遮住其余供者缺少有效阳性参照这件事。

对于最终要用来做差异分析的基因,再把同一细胞群按真实样本聚合一次,观察候选变化的方向是否被个别条码主导。这个步骤用于追踪结果对计数口径的敏感程度,原始和校正的两个版本仍来自同一份实验,不能把它们算作额外的生物学重复。

读实际项目时,把这张表和模型报告放在一起。检查训练和拟合是否有警告、条码排名与预期细胞数是否匹配、环境表达谱中哪些基因占主导,同时保存版本、输入文件及用于生成矩阵的 FPR 设置。若有两套参数的输出,固定谱系名单、候选基因以及两侧都能找到的细胞核或细胞,比较标记随设置变化的轨迹。不要用一个文库从严、另一个文库从宽,再将技术口径差异解释为生物学差异。某一套设置在一个组织合适,也要观察换到高背景文库后控制标记是否仍然给出类似证据。

如果几颗低覆盖细胞仅失去原本一个 UMI 的标记,先查它们是否在原始矩阵中已处于检出边缘;若许多高覆盖细胞的阳性标记成套衰减,而应低表达的背景基因改善有限,就应回查参数、模型警告和细胞识别。按文库分别制表,加入各群的细胞数和已失去的条码数,再把最值得复核的细胞投回原始表达图。对于研究结论特别依赖的一个群,可以比较校正前、校正后以及合理备选设置下的方向,并用独立细胞标记或实验信息检验。

保留主结果时,可以写出一句能被同事核验的话,例如指出 HBB 在哪一批 T 细胞中消失、同一批的 CD3D 是否稳定,以及 B 细胞哪种标记需要回查。比单独交一张校正后的漂亮图更能说明为什么采用当下的矩阵。若准备为多个大文库分别保留模型检查点并比较不同设置,可用一次真实试跑的时间、显存与磁盘占用安排批量复核。云生信科研服务器租赁

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗