单细胞分析

两个相邻簇的前十个 marker 几乎相同,怎样找出真正区分它们的基因?

作者:发布于 2026-11-17约 9 分钟阅读
两个相邻 T 细胞簇对相同背景的前十标记相同,逐供者直接互比后找到四个稳定候选

做完聚类,两个相邻的 T 细胞簇排在前十名的基因几乎一模一样,CD3D、TRAC、CD3E 都在表上。有人准备把两个簇合并,有人想在第十一名以后挑一个像样的基因命名。先做一件成本更低的事:确认两份标记表分别在和谁比较。一个基因很适合辨认 T 细胞,不代表它也能在两群 T 细胞之间划出边界。下文换三次参照,把一份容易引起误解的前十名表,变成一张能回到具体供者核查的候选表。

两个相邻 T 细胞簇对相同背景的前十标记相同,逐供者直接互比后找到四个稳定候选

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)

把比较双方写在文件名和每一行里

示例有四位模拟供者。A 和 B 代表两个接近的 T 细胞簇,M 是另一个作为背景的群。两份原始标记名单分别来自 A 对 M、B 对 M,这里特意选择同一个背景,因而两个问题的参照完全可比。全数据有二百二十五个细胞,其中 A 六十五个、B 八十个、背景八十个。第一位供者提供三十五个 A、五个 B;另外三位各提供十个 A、二十五个 B。先数出来这一层不平衡,后面才能理解为什么某些合并后的标记看起来格外漂亮。

解压后运行下面两行。打开 against_background.tsv,分别按 A 和 B 筛选排名前十的基因,忽略次序后取交集。你会发现这两个前十集合完全相同。它们包含 CD3D、TRAC 和 LCK 等共同特征,在两个簇中相对背景都很突出。这样一份名单仍有价值,它支持两群具有共同的表达特征。要解释两群内部是否不同,就从原始计数中把 A 和 B 直接挑出来,以相同归一化口径重新计算,不沿用先前对背景的排名差当作转录变化。Bioconductor 关于成对标记比较的章节

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

一张候选表至少保留两个量和比较方向

第一项是表达效应。代码将每个细胞的基因计数按该细胞总计数缩放到一万,分别求 A 和 B 中每个基因的算术平均值,均加一个归一化单位,再计算二者比值的以二为底的对数。正值表示 A 较高,负值表示 B 较高。先取平均再取对数与先在单细胞上取对数再平均并不相同,因而这里保留了运算顺序和伪计数的说明。若改用 Seurat 的 FindMarkers,可以显式指定 ident.1 和 ident.2,并在结果里记录使用的数据层以及该版本的均值定义。Seurat 的两组标记比较文档

第二项是检出率。把计数大于零记为在该细胞中检出,分别除以两侧的全部细胞数。两个检出比例之间的绝对差以百分点解释,不能误写成相对增长率。练习给了两条可修改的候选门槛,表达效应的绝对值至少为一,检出率差的绝对值至少为零点一五,两种量方向还要一致。这是一种便于演练的排序标准,不能决定某基因有没有生物学价值。例如两侧几乎每颗细胞都检出的基因可以有明显表达差,却会被这条检出率门槛排除。项目若关心强度变化,应该另外查看这种基因。

def compare(expression, a, b):
    if not a.any() or not b.any():
        raise ValueError("Comparison requires cells in both groups.")
    mean_a = np.asarray(expression[:, a].mean(axis=1)).ravel()
    mean_b = np.asarray(expression[:, b].mean(axis=1)).ravel()
    pct_a = np.asarray((expression[:, a] > 0).sum(axis=1)).ravel() / a.sum()
    pct_b = np.asarray((expression[:, b] > 0).sum(axis=1)).ravel() / b.sum()
    log2fc = np.log2((mean_a + 1) / (mean_b + 1))
    return log2fc, pct_a, pct_b
def candidate(log2fc, gap, min_effect, min_gap):
    return (np.abs(log2fc) >= min_effect) & (np.abs(gap) >= min_gap) & (np.sign(log2fc) == np.sign(gap))

用 CCR7 算一遍,再去看反向的标记

查 pair_candidates.tsv,CCR7 在 A 的六十五颗细胞全部检出,在 B 的八十颗中有三十七颗检出。对应的检出率是一和零点四六二五,差大约五十四个百分点。表达效应约为四点二零。此时可以清楚地写出这是偏 A 的候选,同时注明 B 也有不少阳性细胞。若想把它放在流式分选面板或当作单细胞标签,只看“显著升高”会掩盖这一部分重叠。另一个候选 GZMB 则在 B 中更高,对数效应为负,实际可以组合考虑 A 侧的 CCR7、IL7R 和 B 侧的 NKG7、GZMB。

接着打开 within_donor.tsv。对每一位供者,只比较其自己的 A 和 B。练习要求两边至少各五颗,因此四人都符合要求,不过第一位供者的 B 只有五颗,在该供者中增减一颗检出细胞就会改变二十个百分点。供者数、每位的两侧细胞数和检出分母都应该跟着候选基因一起展示。四个标记在四位供者各自的比较中均以与合并结果一致的方向达到练习门槛,支持它们是优先回查的特征;至于是否足以命名新的分化阶段,还需要更完整的标记、已有注释或独立实验。

候选基因 合并效应的方向 与合并同向且通过的供者 值得回查什么
CCR7、IL7R A 高 各 4/4 B 内也有检出,共同看两个基因
NKG7、GZMB B 高 各 4/4 查看谱系内是否有连续的细胞毒性梯度
ISG15 A 高 0/4 哪位供者在 A 和 B 的权重差别最大
LINGER(模拟基因) A 高 1/4 第一位供者的局部状态能否独立验证

为什么合并后很强,分到患者却不支持

最值得亲手核对的是 ISG15。它在合并结果中的对数效应约为二点七二,检出率差也超过三十个百分点,样子很像一个不错的 A 标记。打开逐供者表,在第一位供者中效应约零点二三,其他三位分别约为负零点三一、负一点零五和正零点五二。第三位供者虽然超过本例的阈值,方向却和合并结果相反。所以“有一位患者过线”和“有一位患者支持合并方向”是两句话。把这两列混成一列会误导使用者,也会把供者不平衡的影响隐藏起来。

将这组数字和供者构成放在一起看。这个教学设计有意给第一位供者的两群 T 细胞都放入较高的干扰素反应表达,他却在 A 中占三十五个席位,在 B 中只占五个。合并均值因此混合了供者之间与簇之间的差异。若直接把合并候选等同于各患者都能重复的标记,就会把这个基因写错。还可以用一个简短的复核方法:给每位供者的一对效应相同权重,看看中位数的方向,再把各自两侧的规模并列出来。这是一种敏感性检查。它保留小样本的不确定性,不能把细胞数加总当作独立的患者数。

与此对照,练习中的虚构基因 LINGER 在第一位患者确实是 A 偏高,也满足本例两个门槛,另外三位却没有同方向支持。它和 ISG15 的后续处理不相同。前者可以作为“第一位供者内观察到”的线索保留,回查其临床状态、取材位置及相关基因是否在相同细胞共同表达。后者更应该首先复查供者构成。读者可以打开 donor_effects.png,比较合并值的黑色叉号与各位供者散点的位置,再回到表格找出图上有分歧的那位患者和具体的细胞分母。

拿自己的聚类表重复这项练习

先确认簇标签确实来自同一批条码,表达层为可追溯的 RNA 计数。对紧邻的两个簇做直接比较之前,另外列出它们的谱系质量、双细胞分数和主要供者,排查其中一个簇是否几乎完全来自一个低质量文库。若某位供者缺少其中一组,保留可比较供者的名单,空缺的效应写成缺失;若两侧细胞极少,用逐细胞表达展示实际分布,比给出长长的效应小数更直观。对于从同一表达数据得到的聚类和标记,本轮筛选属于探索。后续若要提出治疗效应,应按研究设计使用有生物学重复的样本级对照。

最后让同事拿着候选表回答两件事:这个基因在一颗未知细胞上能把两组分到什么程度,这种规律在哪些独立供者身上看到了。前者需要实测检出与表达重叠,后者需要供者内证据。交付完整结果时把直接对照的两侧、归一化定义、细胞分母和缺失供者写进表头或说明文档;当项目需要遍历许多相邻簇和患者时,可以先选一对估出峰值内存与时间,再按工作量选择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 ↗