单细胞分析

明明是同一个细胞,原始计数和归一化表达为什么差这么多?

作者:发布于 2026-11-17约 7 分钟阅读
同一个基因的五个分子,按细胞总深度换算后得到不同值的计算示意

同一个细胞、同一个基因,打开原始矩阵看到五,打开绘图用的表达层却变成六点二一七。另一个细胞明明也是五个分子,绘图值只有五点五二五。这是软件改变了分子数,还是两张表问的原本就不是同一个问题?把矩阵缩到五个基因、四个条码,用纸和计算器跑完一列,答案就清楚了。更重要的是,你能据此判断自己的对象里哪一层适合画图、画出来的平均值用的是什么单位,以及以后还能不能回到真实分子计数。

同一个基因的五个分子,按细胞总深度换算后得到不同值的计算示意

五个分子先占几分之几,再谈放大到什么刻度

假设细胞 A 的全部 RNA 合计一百个 UMI,基因 G 有五个,它贡献了这个细胞已观测分子的百分之五。细胞 B 的总量两百个,G 也有五个,却只占百分之二点五。采用固定总量归一化时,先把各基因除以所在细胞的总 UMI,再统一乘以一个给定的目标总量。若目标是一万,两个细胞 G 的换算值分别是五百和二百五十。它们描述的可读单位是每万已观测 RNA 分子中的相对丰度,不是说仪器在第一个细胞里真的测到了五百个 G 分子。

原始总量受到捕获效率、测序深度、细胞 RNA 含量等共同影响。按文库大小缩放可以让处于不同总深度的细胞在相同刻度上比较,同时也把绝对 RNA 含量的信息从这个表达层的尺度里拿掉。某个细胞中其他少数基因突然占了大量分子时,目标基因即使原始计数没有变化,所占比例也会变。这是组成数据的性质,不能用“归一化已经消除了所有技术和生物差异”来概括。一张图上出现相对变化时,最好还能返回原始计数和总量核对。Seurat 对 LogNormalize 的定义

跑通示例,逐列核对三个数

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)

解压后先运行下面两行。教学矩阵中 A、B、C 的总量是一百、二百、五十,另有一个总量为零的条码 Z,用来练习边界条件。输出包括按示例基因挑出的逐项手算表、每颗细胞的原始和归一化列和,以及两份带有基因和条码顺序的稀疏矩阵。实际项目也应同样把表达层与对应的轴一起保存,否则矩阵数值全对、条码顺序错一位,同样会得到无法解释的绘图差异。

python -m pip install -r requirements.txt
python run.py --input example --out results
条码与基因 原始计数 / 全细胞总量 每万分子换算值 自然对数 log1p
A 的 G 5 / 100 500 6.217
B 的 G 5 / 200 250 5.525
A 的 R 40 / 100 4000 8.294
B 的 R 80 / 200 4000 8.294

以 A 的 G 为例,先算五除以一百,再乘一万得到五百;对五百加一取自然对数,就从五百变成六点二一七。这个加一使零值仍能被处理,原本未检出的基因经过相同步骤仍为零。对着 A、B 的 R 再算一次,原始分子差了整整两倍,但是两者各占该细胞全部 RNA 的四成,所以两个换算值都为四千,取对数也相同。这样的小例子能纠正看单细胞图时很常见的误读:相同颜色是否意味着相同分子数,首先取决于颜色映射的是哪一层。

def transform(counts,scale):
    depths=np.asarray(counts.sum(axis=0)).ravel()
    usable=depths>0
    factors=np.divide(scale,depths,out=np.zeros(len(depths),float),where=usable)
    normalized=counts.astype(float).multiply(factors).tocsr()
    logged=normalized.copy()
    logged.data=np.log1p(logged.data)
    return depths,usable,normalized,logged

这里按细胞处理的是矩阵的列。若自己的数据是细胞在行、基因在列,照抄一个按列求和的表达式会转而把每个基因跨细胞对齐到固定总量。检查方法不需要猜软件内部发生了什么,挑两颗总量不同的细胞,看看归一化以后各自的列和是否都接近一万。再检查取对数后的列和,此时它通常不再等于一万,因为先对每个元素取对数再相加,不等于对总量取一次对数。把这两张矩阵起不同的名字,就不容易在对账时用错文件。

均值热图里,先平均还是先取对数

自己换文件前还可以核实分母里有哪些特征。若原始对象经过按基因筛选,移掉了一批在某个细胞中计数很多的特征,再从剩余行重新算总量,所有保留下来的基因都会被放大。即便 G 的原始数值没有动,这种重新定义分母得到的颜色也会改变。因此要比较旧对象的截图与自己重算的值,最好同时保存归一化当时的总量字段,而不只是当前矩阵的行数。

现在加入第三个有效细胞 C,基因 G 有一个分子,总量五十,每万分子换算后是二百。在三个条码中直接平均对数表达,得到约五点六八二;先把五百、二百五十和二百平均,再对平均值加一取自然对数,得到约五点七六一。基因和细胞一个都没有换,数值仍不同。这是因为对数是非线性变换。前一种统计量对应平均细胞的对数表达,后一种对应线性归一化丰度的均值在对数坐标上的位置。为群体热图写图注时,把表达层、细胞集合和求均值的顺序一起交代,别只写一句“平均表达”。

还有第三个很容易混淆的口径。若把三个细胞原始 G 直接相加,再除以三个细胞全部原始 UMI 的和,得到的是分子合并后的占比。它给覆盖更高的细胞更大权重,和每颗细胞先归一化再等权平均通常不同。按供者与细胞类型构建 pseudobulk、再用计数模型做组间差异分析时,就要从原始分子依模型设计聚合,不能拿已经逐细胞取对数的矩阵相加当作输入。报告中同时出现单细胞表达图和样本级差异表时,应允许两者使用各自适合的数值定义。

零计数、零深度和换了表达方法怎样识别

在 C 的 P 基因上,原始分子为零,但这个细胞共有五十个 RNA 分子,归一化和取对数后的零都有清楚的定义。Z 则是整列总量为零,连可以拿来算比例的分母都没有。分母为零的细胞会出现在覆盖记录里,手算表的变换值留空,输出的稀疏表达矩阵只保存三颗有效细胞。这样便不会把某个对象导出时出错、产生了全零列的情况,悄悄变成“这个细胞的每个基因相对丰度都正常为零”。查真实数据时,先确认零深度条码为何还在原始名单中。

另一个练习是把目标总量从一万改为一千,输出到新目录。A 的 G 此时变为五十,B 为二十五,但原始分子仍然各五个。对数坐标上的数值变化不会是原有值简单除以十。若知道原总深度、目标总量且确认方法就是单次固定缩放与自然对数,可以先用指数减一还原线性值,再乘回原深度与目标总量的比值,手算表最后一列应回到原来的五。浮点运算可能出现非常接近五的小数,这属于计算精度。若对不上,要优先核查究竟用了哪一层、是否换过基因集合、是否对某些高丰度基因作过特殊处理,以及所用对数底数。Scanpy 按总量缩放的参数说明

如果原对象用的是基于模型的残差、按基因减均值再除标准差,或整合得到的校正表达,数值还可能出现负数。这些有各自的方法定义,不能把本文的反算公式套在上面恢复 UMI。拿到新对象时,可挑一个已知条码和一个基因,记录原始计数、分母、换算值和图上的值;只要这四项之间的关系能够复现,后续沟通关于“这个基因到底高多少”的问题就有了共同单位。等需要在许多大矩阵上并排保留多个表达层和中间结果时,可先用一个代表性对象的实际内存和读写量规划批量计算。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 ↗