同一个样本,用前二十个主成分建图时,几颗带缺氧标记的细胞分散在不同位置;把维数改到四十后,它们更容易相互成为邻居。看着更符合预期,就能把四十写进方法部分吗?先取出第二十一到第四十个主成分,逐轴问三个问题。哪些基因把细胞拉开,这条轴和供者或测序深度有多强的关系,研究对象究竟换了多少近邻。下面的练习从一份表达表出发,读者可以一直追到某颗细胞在两套分析中的十个邻居。

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)
先搭好能相互比较的两套图
资料包包含二百个模拟细胞,来自四位供者,每位五十个;其中每位有五个预设目标细胞。表达表有一百个基因,已经在变换后的尺度上。为了让读者清楚地找到证据,我们用人为构造的协方差给某些轴安排了容易识别的基因对。这类教学数据适合检验代码和读表的方法,原始总分子数单独给在元数据里。真实组织里的信号常常横跨数十甚至数百个基因,几个程序也可能落在同一条轴上,很少像这份示例一样整齐。
将下载包解压到能长期保留的目录,运行以下命令。程序对同一份矩阵做一次完整的奇异值分解,取四十个主成分。第一次建图使用其中前二十列得分,第二次在原有列后加上接下来的二十列,再用相同的欧氏距离和近邻参数建图。这样两套结果的前二十维完全相同。在两个不同的细胞子集里分别重选基因、分别重跑主成分,再比较所谓的二十维和四十维,会同时改变训练数据和坐标基底,届时无法把变化单独归给新增维度。
python -m pip install -r requirements.txt
python run.py --input example --out results
从载荷读出新增主成分的内容
主成分得分描述每个细胞在这条轴上的位置,载荷描述每个基因在这条轴中的权重。先打开 loadings.tsv,筛选主成分序号大于二十的行,按绝对载荷读每条轴的前几名。取绝对值可以找出贡献明显的基因,之后还要回看带正负号的原值,弄清多个基因是在轴的同一端变化,还是分别高在两端。整条轴同时翻转符号是一种等价的表示,换环境重算时不要因为所有符号一起反转就认定生物学方向颠倒。Bioconductor 单细胞主成分教程
示例第二十九轴的两个突出基因为 CA9 和 BNIP3,绝对载荷都约为零点七零七,平方后各为零点五。这两个数在该轴内相加为一,是练习在矩阵中放入成对变化的结果,不能说每个基因就解释整个样本一半的变异。回到 axis_audit.tsv,该轴解释的总方差份额约百分之一点三七。只看这个百分数,可能把它和许多幅度相近的轴混在一起;结合目标细胞的独立标签与表达才会看到它的意义。在文章里把这两种分母写清楚,读者就不会把载荷平方和全矩阵的方差占比算成一笔账。
把供者和测序深度摆到轴旁边
同一份审查表还记录每条轴的三个描述量。第一项是细胞得分与原始总分子数的秩相关,适合找出随深度单调变化的方向。第二项把每位供者的轴均值和全体均值比较,以供者之间的平方和除以全体平方和,观察样本来源能解释多少轴上差别。第三项对比单个目标标志与轴得分的线性相关。一个是按排名,一个按方差分解,一个按二元状态与连续变量的相关系数,不能把三列当成三个相互排斥的“原因占比”。下面是资料包计算供者项的方法,焦点是按该供者拥有的细胞数加权。
def donor_fraction(scores, donors):
overall = scores.mean()
between = sum((donors == d).sum() * (scores[donors == d].mean() - overall) ** 2 for d in sorted(set(donors)))
return between / ((scores - overall) ** 2).sum()
沿着这三列读下去,第二十五轴与原始深度的秩相关绝对值接近一,突出的是教学特征 DEPTH_A 和 DEPTH_B。第三十三轴呈现很大的供者差异,供者项约为零点九九六。第二十九轴则紧贴预设的目标状态,同时与深度也有较大的秩相关绝对值。这个例子值得停一下。一个和目标标签接近的轴,仍可以在同一目标类别内部按很小的连续深度差排出顺序,影响秩相关;不同统计量不一定给它同一个标签。在自己的数据里,可以分别按供者和目标状态画出轴得分对深度的散点,再检查每组的深度范围是否重叠。看到一个关联值就删轴很容易失去本来想研究的状态。
| 要查哪一层 | 在示例中看到什么 | 独立复核的办法 |
|---|---|---|
| PC25 的深度关系 | 深度秩相关绝对值接近 1 | 分供者对照总 UMI 与轴得分 |
| PC29 的目标关系 | CA9 和 BNIP3 的平方载荷各 0.5 | 查独立目标标签和原始标记 |
| PC33 的供者关系 | 供者解释比例约 0.996 | 查样本设计以及每位供者的得分分布 |
最终要比较的是目标条码身边有哪些细胞
两套图均为每个细胞列出十个其他条码。计算时明确排除自己,取前二十列和前四十列的得分矩阵分别求距离;没有对每个主成分再次缩放成单位方差。这个选择很重要,因为在常规主成分得分中,靠前方差较大的轴对欧氏距离贡献往往也较大。若把每一条轴额外等权,几乎纯噪声的后部方向也会得到与前部一样的尺度,邻居构成将回答另一种问题。换框架复现时除了维数和邻居数,还要记录距离度量、主成分得分是否加权、采用精确还是近似搜索。Seurat 从主成分得分构建邻居图的实例
def nearest(scores, dimensions, k):
distances = cdist(scores[:, :dimensions], scores[:, :dimensions])
np.fill_diagonal(distances, np.inf)
return np.argsort(distances, axis=1, kind="stable")[:, :k]
打开 cell_neighbors.tsv 中的 C001。两次的十个近邻有六个相同,目标邻居从零个变成一个。把 edges.tsv 按该条码和维数筛选,再和 cells.tsv 的目标字段连接,便可以找出这个具体名字。这比单看“邻居发生变化”多出一层解释。同一颗细胞换掉的邻居可能仍然属于原来的谱系和状态,也可能带来了新的目标标记,两种变化对于课题的意义不同。输出按条码而非图上位置保存,所以图片旋转或绘图时换颜色不会影响这个核对过程。
全体二十个目标细胞发出二百条有方向的近邻记录,前二十维时其中十七条指向另一个目标细胞,前四十维时有三十二条,中位数保留原来的六个邻居。三十二比十七多,但总分母仍然是二百,目标状态远没有形成一个与周围隔绝的群。再往下看各供者,第三位供者两次均为五十条中的九条,变化主要来自其他人。这些边共用很多相同的细胞,不能将二百条当二百个独立的患者做统计检验。若某个结论是群体层面的,要回到供者自己的结果和可用的生物学重复。
一次参数决定应当留下怎样的证据
在真实项目里,先确定自己要找的是稳定谱系、罕见状态,还是与处理有关的渐变。为目标状态预先保留一组独立证据,例如实验分选、额外检测的蛋白或另一组没有拿来定义标签的标记。再围绕二十和四十这两档向中间尝试一个合理维数。若结果只在一个精确数字处出现,就查看是哪几条轴、哪些样本、哪几个条码带来了跳变,而不是不断向后加轴直到图看起来符合预期。把未纳入特征和不确定的样本也写明,下一位分析者才知道哪里仍有缺口。
最终可以交给合作者一份短表,列出考虑过的维数、候选轴的载荷基因、供者与深度关系以及目标条码近邻的实际变化。判断依据就从“肘部图不太明显”落到了可以重复的比较。示例使用精确距离矩阵便于核对,真实大样本可以复用一次拟合出的主成分,换用近似邻居搜索并抽一小部分细胞验证误差;当重复建图成为主要计算负担时,再用一次试跑的耗时与内存选择云生信科研服务器租赁。
