实验室送来三位患者、四支冻存管和两份测序结果。患者一号的细胞分到两个捕获孔;患者二号和三号各与患者一号混在一个孔里。现在要用 scDblFinder 查双细胞,表里的 sample 该填患者编号、冻存管号,还是两个捕获孔?有一个比软件参数更直接的判断:两颗细胞在进入液滴时,物理上有没有碰面的机会?二号与三号属于同一个研究队列,却从没进入同一份悬液或同一个捕获孔,不可能在这里形成同一颗双细胞液滴。反过来,一号和二号当然有机会被装进同一滴。

先把实验过程写成四行装载记录
先找实验同事确认在哪一步解冻、何时混样、在哪个通道装载,又在哪一步才合并测序。冻存管标识的是保存容器,供者是生物学重复,物理捕获定义了哪些细胞共同经历封装。测序中心还可能把同一文库分配到多个测序通道,一条文库分开测序,并不会让原本没见过面的细胞形成新液滴。如果文件夹名字只写患者名,让对方在装载记录上指明管、悬液和捕获孔之间的关系,比自己根据测序文件名猜更可靠。
这次练习把表写成四行。CAP_A 有来自 D1 的 T01a 和来自 D2 的 T02。CAP_B 有来自 D1 的另一支管 T01b 和来自 D3 的 T03。逐捕获展开可能的跨供者组合,便只剩 D1 与 D2、D1 与 D3 两行共同装载。这个表不会列出同供者双细胞,因为列的是两个不同供者的组合;同一位供者内的两颗细胞同样可以进入同一颗液滴,分析时不能遗漏。同理,落在两次独立捕获中的 D1 细胞虽然属于同一人,却不能跨捕获组成双细胞。
用可核验的原始计数跑一次检测
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)
每次捕获有二百四十个模拟条码,含 T 系、B 系、髓系三类表达程序。我们在每份捕获的二百一十六个单谱系条码外,另外加入二十四个由两种谱系计数相加生成的条码。这样读者可以在模型完全跑完后,用教学真值检查哪些细胞被标漏或标多。模型输入从原始 RNA 稀疏计数开始,运行时隐藏教学真值和供者分配,软件只看到计数和捕获分组。请将课堂里设置的十分之一预期比例理解为模拟设计的一部分,不要照抄到真实实验。
先解压并运行 Python 主练习。包内含两份捕获已经实际训练所得的逐条码分数与分类,所以即使暂时没有 R 环境,也可以立即做装载核对、逐群统计和读表。用于重跑模型的 R 脚本、每个基因和条码的原始计数、所用版本记录一起放在资料包里。按手册安装相应的 R 包后,进入同一目录运行模型,再将 Python 命令的输出改到新文件夹,就可以比较两次结果。
python -m pip install -r requirements.txt
python run.py --input example --out results
Rscript rerun_scdblfinder.R example
在 R 中把元数据按原矩阵列名重新排列,然后将捕获赋给 capture 这一列。下面是示例真正用于训练的调用。它采用随机生成候选双细胞的模式,指定参数、种子和串行处理,便于在两次捕获上复算。软件利用人工生成的双细胞示例学习可疑表达模式,再为真实条码给出分数和分类。样本分组影响哪些条码一起进入建模,以及每组的预期数量如何参与阈值选择。在独立捕获各自具有不同质量和细胞组成时,明确分组尤其重要。scDblFinder 分组、参数与复现说明
fit <- scDblFinder::scDblFinder(sce, samples="capture", clusters=FALSE,
dbr=s$dbr, dims=s$dims, nfeatures=s$nfeatures,
BPPARAM=bp, verbose=FALSE)
两个捕获各有二十五个可疑条码,多出来的是谁
打开捕获汇总表。CAP_A 和 CAP_B 的输入各二百四十颗,实跑的参考输出均标记二十五颗双细胞,比例约为百分之十点四。这个数字与预期十分之一接近,但不完全相等。按基于模拟过程保存的真值核验,每次二十四个有意合成的双谱系条码都进入了候选,同时每次还有一个按单谱系生成的条码被模型标记。这样便能看到预期双细胞率、模型估计和模拟真值各自是什么。真实研究里一般没有这样的全体真值表,所以观察到分类比例符合上样预期,并不足以说明每个判断都正确。
| 在哪个层面查 | 教学示例能核对的事实 | 实际项目里能支持什么 |
|---|---|---|
| 物理装载 | D2 和 D3 从未在本实验同孔 | 排除这一次捕获中不可能的跨供者组合 |
| 分数与分类 | CAP_A 共 240 颗,25 颗被标记 | 确定哪一批条码进入人工复查 |
| 谱系信号 | CAP_A_BC216 的 B、T 标记均成组出现 | 支持异型混合的候选解释 |
| 教学真值 | 每捕获另有一颗按单谱系生成却被标记 | 提醒模型标签仍要结合额外证据 |
在逐条码表搜索 CAP_A_BC216。它的 B 谱系两个标记合计四十五个分子,T 谱系两个标记合计四十八个,髓系标记为零。对照单谱系条码的分布,两套谱系都有相当强的支持。这是我们按预先定义的标记规则给出的组合线索。再找到 CAP_A_BC204,它也被模型列为可疑,但两组谱系都达到标记门槛的条件没有满足;T 系合计四十三个,另外两组各只有一个。先保留这样的条码,回查其原始分子总数、邻居与独立标签证据。真实数据里,同型共捕获也可能缺少双谱系组合,不能把“未能解释来源”自动改成单细胞。
为什么按患者拆分会丢掉重要线索
混样后按患者字段分开跑,可能首先就把供者分配不清或疑似跨供者的条码剔除,而恰好那些是实验上值得复核的事件。另一面,直接把两个独立捕获合成一批,会让分析中的人工组合不受真实装载约束,并混合不同批次的细胞数量、测序深度和组成。在本例中患者一号跨两个捕获的事实还能说明另一点:相同供者可以有两套不同的捕获条件,按人分组会把本应分别处理的技术批次挤在一起。后续要按患者评估生物学差异时当然仍保留 donor,只是该列承担的工作不同。scDblFinder 作者对实验标签与同型双细胞的说明
对真实项目,优先参考实际化学版本、上样与回收规模、已知混样策略,再决定每个捕获如何设置预期比例。有的细胞类型含有更多 RNA,只凭文库总量大就判双细胞,会把某个本来高转录的谱系系统性删掉。另一些捕获由于单一谱系居多,同型双细胞即便存在也很难从表达通道分离。此时可以查看 HTO 标签、供者基因型和文库内少数高置信组合,评估哪些类型的双细胞确实有独立发现途径。两套方法一致的条码是重要对照,方法之间不一致的条码也应该保存成单独列表。
还可以把各捕获候选按绝对人数和组内比例各画一张图。假如两次捕获恰好都报百分之十,但一份偏向 B 与 T 的组合,另一份多见于单一髓系群,要先看各谱系在起始细胞中的比例,再去推测制备过程。输入群体完全不同,原始组合数自然可能不同。对准备删除的稀有过渡群,查看是否许多供者都保留类似表达,并将纳入与剔除敏感条码两套下游结果做对照,防止建模产出的一个标签代替了整个生物学论证。
把装载清单、每个捕获的模型设置、逐条码分数和复核结论一起交付,下游再按供者做统计的时候就能追查任何一颗细胞。若多批独立捕获要分别拟合并保留近邻与敏感性结果,可以从一次捕获的峰值内存和运行时间估算整批所需的计算环境。云生信科研服务器租赁
