单细胞分析

一个基因只在一位患者中特别活跃,会被选进高变基因吗?

作者:发布于 2026-11-17约 7 分钟阅读
高变基因分别按供者与合并选取,沿着名单追到供者表达分布和 PCA 载荷

做完高变基因筛选,有个基因排在前几名。按患者打开表达图却发现,信号几乎全来自一个人。直觉上会怀疑是不是选错了;也有人认为只要高变就值得保留。其实有两个不同的场景需要分开看。第一种,这位患者几乎每颗细胞都很高,其他患者几乎都很低。第二种,只有这位患者中的一小群细胞很高,其余细胞也很低。把所有患者合并或各自独立筛选,可能给这两种基因完全不同的排名。下面用四位模拟供者,分别植入这两种结构,并追到实际的主成分载荷。

高变基因分别按供者与合并选取,沿着名单追到供者表达分布和 PCA 载荷

“高变”是哪一群细胞之间的变化

高变基因通常关注某种给定表达水平下,细胞之间的波动是否高于按数据模型预期的水平。不同软件可以采用不同的均值与方差建模方法,同样的数据未必排出完全相同的前几十个基因。必须先说清参与计算的细胞集合。若把所有病例放在一起,某个在一名患者内几乎恒定、在患者之间均值截然不同的基因,会在合并集合中产生很大变异。若拆成每位患者独立分析,患者之间的这部分均值差根本不在各自的计算范围内。反过来,某个稀有状态只出现在一个条件或供者中,其强烈的局部变异也可能在合并排名里被冲淡。Bioconductor 的特征筛选与方差分解

先问清研究要捕捉的是什么。如果目标是建立许多供者共享的成熟免疫细胞谱系,比较多少位患者各自都选到某基因很有价值。如果目标正是追踪治疗后只见于部分人的少数反应细胞,只留每个人都高变的基因,则可能把最关心的信息先筛出去。现阶段比较名单的目的,是让读者看见哪些结论在特定选择规则下变得无法观察。筛特征时可以做灵敏度比较,不能看到“只在一位患者高”就直接给出生物学真伪判决。

用两次拟合得到可复核的五张排名

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)

练习数据有四位供者,每位四十五颗细胞,一百八十种基因。为了让各组处在相同尺度,我们对每颗细胞按 RNA 分子总量缩放到一万,加一后取以二为底的对数。随后用 scran 的方差分解对各供者分别拟合均值与方差趋势,并在所有细胞上另拟合一次。每份结果按照估计的生物学方差成分降序选二十四个。这里的二十四只是教学设定,真实数据应查看特征数量、均值范围和降维稳定性。对每个范围分别拟合,和先用同一条合并趋势给各组套分数,是两种不同的分析,需要在报告中写明。

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

Python 主练习可直接读取随包附带的实际拟合结果。如果要从头跑,在 R 环境安装 Matrix 和 scran 后,先运行上面的 R 脚本,再运行一次 Python。打开方差表能看到均值、总方差、技术成分和估计的生物学成分。这个估计偶尔出现负值并不等于负的实际方差,而是观测方差低于该处拟合的技术趋势。练习按排名取特征,没有把所有未入选的基因从原始计数中删除。后续照样可以查询某个未入选标记在每颗细胞的表达。

by_sample <- lapply(names(groups),function(label) {
  v <- scran::modelGeneVar(logexpr[,groups[[label]],drop=FALSE])
  data.frame(scope=label,gene_id=rownames(v),mean=v$mean,
             total=v$total,technical=v$tech,bio=v$bio)
})

两个只在一名供者活跃的基因,结果相反

打开排名表查 DONOR_SHIFT。它在所有细胞合并时排第三,四位供者各自的排名却是八十七、一百零二、一百和九十二,没有一位在前二十四名内。再打开供者表达摘要,P1 的四十五颗全部检出,其余三人的检出比例约为百分之七到九。这个结构符合“患者间均值不同、同一患者内部变化有限”的例子。它的入选有清楚的数值来源,但仅凭这一列还无法判断差异来自组织类型、处理批次、基因型还是患者的真实状态。

再查 DONOR_STATE。它在 P1 的细胞之间变化大,供者内排名第一;在其他三位供者中远离前列,合并后排名第四十二,也没有进入合并前二十四。把它和前一个基因左右并排,会发现“只有一名供者活跃”这句描述漏掉了关键信息:该供者内部,是所有细胞一致地高,还是部分细胞相对同一供者内的其他细胞特别高。两种信号对应不同的研究问题。若后者是病人特有反应群,可以在那位患者中先检查谱系、标记组合、批次和测序质量,再尝试在其他有足够覆盖的患者里寻找对应状态。

教学基因 合并筛选 供者内筛选 手工复查的重点
DONOR_SHIFT 第 3 0 人入选 哪位供者整体均值偏移,是否与批次重合
DONOR_STATE 第 42 仅 P1 入选 P1 内部是否存在有一致标记的细胞子集
SHARED_A 第 2 4 人入选 相同的细胞内变化是否跨多个供者出现

还有一项很容易在复制表格时丢失的信息,就是未被选中的原因。某位供者的原始矩阵压根没有这个基因,与矩阵包含该基因、但它未进入前二十四名,要分开记录。前一种情况需要核对参考注释和基因编号,后一种才可以解读局部排名。对于同名的多个基因编号,先保留独立记录,避免手工表格把一个基因的供者排名错配给另一个基因。尤其在不同中心交付的矩阵中,核查共同可测集合往往比挪动筛选名次更能解释差别。

名单上的一个名字,实际影响了哪个主成分

各范围的前二十四名取并集,得到五十九个不同基因。练习在这同一份并集、同一批细胞上,逐基因中心化并按标准差缩放,再做一套 PCA。正负号可以整体翻转,此处报告每个基因在各轴上的平方载荷。同一条主成分上,把全部纳入特征的平方载荷相加等于一,可以用结果表自己验算。DONOR_SHIFT 在第二主成分的这项占比约百分之十四点六,在第一主成分则很小。SHARED_A 和 SHARED_B 更明显地出现在第一轴。这样,就把“它排得很靠前”具体化成“它在此特征集合中的哪条轴上有多大权重”。OSCA 对主成分与载荷的说明

平方载荷并不是这个基因解释全部细胞差异的百分比,更不是病因的证据。接下来应查看细胞得分表,把细胞投影按供者、谱系和测序深度着色,观察第二轴是否主要把同一患者隔开,用同轴其他高载荷基因判断它们是否来自一套可解释的表达程序。若轴上同时聚集大量批次相关变化,先检查样本设计;若同一患者内又分出多个应答水平,别因其带有供者结构就把它整条删去。比较多套特征集时一定重算主成分,不能沿用旧特征拟合得到的投影再声称看到了新名单的影响。

换成自己的样本,还要处理供者细胞数不平衡。一位患者抓到的细胞远多于别人,合并方差可能受其细胞状态分布支配。可以在供者内保留原始排名,再做重复的均衡抽样,观察某基因入选是否对细胞数量和少数条码敏感。不同组织、时间点或条件若与供者完全重合,单凭表达无法拆开这些因素。最后交给同事的表至少包含合并排名、各供者排名、表达覆盖和实际降维依据,这样有关“保留还是排除”的讨论能回到可检验的事实。若后续要在多份大型对象上反复拟合趋势、重算特征集与主成分,可以拿一次试跑的耗时与峰值内存安排计算环境。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 ↗