单细胞分析

病例全在第一批,对照全在第二批,这份数据还能解释哪些差异?

作者:发布于 2026-11-17约 8 分钟阅读
病例对照与批次完全重合,加入一个跨批重复和均衡布局后分别核对可辨识对比

病例样本在第一天处理,对照样本在第二天处理,最后某个细胞类型的干扰素标记相差很大。最先要看的文件是什么?先打开样本表,数一数在同一天是否有病例也有对照,是否有同一份材料在两天之间重复测量。即使已经测了十万颗细胞,也可能找不到一种比较能单独辨认条件差异。下面只用三张小表和几行线性代数,实际计算哪些问题有数据支持,再决定后面值得跑哪些分析。

病例对照与批次完全重合,加入一个跨批重复和均衡布局后分别核对可辨识对比

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)

先把研究单位从细胞换回样本

下载包的输入 samples.tsv 每行是一份捕获,列出供者、条件、处理批次和用于教学的一个样本表达数值。供者是生物学重复,捕获编号用来识别技术测量。对于同一供者两次建库,可以有两个捕获编号,但不能把他计算成两个人。真实项目若还有医院、采样部位、试剂版本、处理者或时间点,应按实际情况分别保留原列。不要一开始把所有技术字段拼成一个巨大批次,使每个水平只剩一个人,反而难以查明哪个因素和生物学分组真正重合。

文件中分三种设计,分别运行。第一种是三位病例全在第一批、三位对照全在第二批。第二种为同一设计增加一份跨批的技术重复。第三种有八位独立供者,两批均有两位病例和两位对照。以下命令会输出列联表、模型矩阵、批次内可观察的均值差,以及每次去掉一位供者后的检查记录。这里的表达列是教学数值,用于看懂一个对比如何得到;正式的计数检验、离散度以及显著性另需符合原始数据和重复结构的模型。

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

六位供者、四个表达单位的差,为什么仍分不开

打开 condition_by_batch.tsv 的 confounded 行。第一批病例三人,对照零人;第二批病例零人,对照三人。可以计算病例在第一批的平均教学表达是十,对照在第二批的平均是六,相差四。这个四是两组实际观测平均之差,在报告里可以如实描述其条件和批次组合。还可以描述每个已观测组内部的供者间变化,例如病例为八、十、十二。要问“如果放在同一个批次中,病例比对照高多少”,两个批次都没有直接的对照双方,因此表中的批次内差值都应当为空。

把常见的加性模型写成三列:截距、是否病例、是否第二批。在第一种设计中,病例行是“一、一、零”,对照行是“一、零、一”。每一行的后两列之和恰好等于第一列,因此只有两个独立方向,却希望估出三个系数。假设观察到的差异全部由条件带来,可以匹配这些组均值;假设同样的差异全由批次带来,也能够匹配。实验没有给出足够的交叉信息去决定分配比例。教程中即使最小二乘程序能算出一组三个数,也只在条件对比确实可估时才输出其差值。DESeq2 关于完全混杂与设计秩的示例

def design(rows):
    batches=sorted({r["batch"] for r in rows})
    encoded=[[1.0, float(r["condition"]=="case"), *[float(r["batch"]==b) for b in batches[1:]]] for r in rows]
    return np.array(encoded), ["intercept","case_vs_control",*["batch_"+b+"_vs_"+batches[0] for b in batches[1:]]]

除了看矩阵是否满秩,还要指明想估哪个对比

线性模型并非只有“能做”和“不能做”两个选项。模型矩阵缺秩时,某些系数组合仍能由观测样本决定,另一些则没有唯一取值。例如第一种设计里两类已观测样本的拟合均值可以分别描述,没法唯一拆开的是保持批次不变后的条件效应。代码直接为要检查的条件系数构造一个向量,用矩阵伪逆把它投影到设计矩阵的行空间,再计算投影后的残差。如果残差在数值容差内为零,这个线性组合可由当前设计估计。这个办法也提示读者,新增一个与本问题无关的冗余列时,不应笼统抹去所有有意义的比较。R 的模型矩阵、因子与对比编码

def projection_error(matrix, contrast):
    # A linear contrast is estimable when it belongs to the row space of X.
    projection=np.linalg.pinv(matrix) @ matrix
    return float(np.linalg.norm(contrast - contrast @ projection))

在 design_summary.tsv 中,第一种设计的条件投影误差约零点五七七,加性条件差写成缺失;另外两种设计的误差仅为浮点运算精度范围内的小量。这个误差不是表达的噪声,没有临床单位,也不是显著性的概率。它只检验一个代数问题,即当我们对模型系数施加一个对比时,不同的等价拟合能否给该对比不同的答案。换成自己的数据,记得记录参照水平和对比方向。把病例减对照改成对照减病例会改变差值正负,却不会凭空增加一格缺失的样本。

设计 观察单位 批次内病例减对照 加性条件差
病例与对照完全分批 6 份捕获,6 位供者 两批都缺一侧 不可估
一位病例跨批重复 7 份捕获,6 位供者 第二批为 1 1,依赖单个桥接供者
两批均有病例和对照 8 份捕获,8 位供者 两批均为 2 2

一份跨批重复能补上哪个缺口

在第二种设计中,把病例 P1 的同一材料再放到第二批测一次,数值为七。第二批现在既有一位病例也有三位对照,教学差是七减六等于一。模型三列达到满秩,条件系数在假设两批共享同一加性条件效应的前提下可以估计。这个结论说的是能写出唯一解,不能进一步解读成精度充分或有了新的独立病例。第一批中没有对照,也无法单独用两批各自的数字验证条件效应是否相等。两次测量的 P1 依旧是一位供者,正式推断要处理相关性,不能按七名独立患者来算标准误。

现在打开 leave_one_donor.tsv,找到 one_bridge 里的 P1。移除这一位时会同时去掉他的两份技术捕获,原来有数据的交叉格随即消失,条件差回到不可估。相反,去掉不承担桥接的一位供者,结果仍有可估结构,只是样本和精度变差。这个诊断适合放在真实研究的设计审查里:与其只报告“批次已纳入模型”,不如找出到底有几名独立供者连起了原先分离的条件和批次。只靠一名桥接时,样本标签错误、异常表达或那位供者特有的状态都可能对结果有较大影响。

哪些结论可以保留,下一次怎样安排取样

第三种均衡设计可以在第一批算九减七等于二,第二批算七减五也等于二。现在每个批次内部都有不同条件的生物学重复,还能检查看到的方向是否相近。即使在这种布局中,临床构成、取样部位或其他未测因素仍会影响解释,两个批次各两位患者在真实研究里也不构成普遍的样本量标准。设计表回答的是对比有没有来源和哪些人提供了信息,效应不确定性和是否值得推广到更多患者,需要结合方差、研究设计与额外数据判断。

面对已经无法重新取样的完全混杂数据,可以保留按既有条件与批次组合的描述、各样本的组成与质量、能够在同一批内开展的其他对比,也可以将观察到的候选基因留作下一批交叉取样时的验证对象。如果新增测序机会有限,应优先考虑让两种条件在相关批次内都有独立供者,并保留明确标注的同材料技术重复。把现有细胞再抽样或者在降维图中把批次颜色调匀,不能补出没有测量过的对照组合。若涉及配对或纵向治疗,需为供者内重复另外写出对应设计,本例的独立病例对照模型不能直接套用。

实际操作时用这份小表先画出你的样本布局,再按候选细胞类型分别检查覆盖。全队列的两批可能均衡,但某个罕见谱系只在少数患者里捕获,到了该谱系的样本级汇总表,原本可估的比较又可能失去一侧。把每个谱系的独立供者、空格和可估对比和最终表达结果并排交付。样本表在普通电脑就能完成检查,等设计支持的那些谱系真正进入大规模汇总和模型拟合时,再按实测工作量安排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 ↗