同一种 T 细胞,一个低表达标记在 10x 里只见于六颗细胞,在 Smart-seq2 里却见于二十二颗。两边碰巧各有三十六颗 T 细胞,差异是不是技术平台造成的?先别把两张表达矩阵直接拼起来求倍数。应该先确认两端到底在数什么,哪些基因确实测得到,比较的细胞是否来自相同患者和可比的类型。下面从两份独立的计数矩阵出发,把深度、检出比例和标记排序分别算给你看。

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)
从数据交付表区分读段与分子
在常见的十倍液滴基因表达流程中,细胞条码用于归属细胞,唯一分子标识参与去重,得到按基因和条码汇总的分子计数。经典的全长 Smart-seq2 方案通常没有这种唯一分子标识,按基因汇总的读段或片段计数反映的是另一种计数单位。多个读段可能源于同一个扩增的模板。不要因为两个矩阵都用整数存储,就直接把几十个读段除以几个 UMI 解释成分子表达倍数。如果交付物本身是转录本丰度估计、长度校正后的数值或已经取对数的矩阵,必须回头查看实际定量方法和文件单位。10x 的基因表达计数说明 Smart-seq2 原始协议
资料包特意在 assays.tsv 里逐平台标出计数口径,并把两套矩阵放在不同目录。元数据里另有每颗细胞的比对读段数,保留与矩阵列总和不同的名字。两组细胞分别来自同三位模拟供者,每个平台各有七十二颗细胞,均由三十六颗 T 和三十六颗 B 组成。每位供者在每种平台、每个大类各贡献十二颗。这是同来源材料的配对比较,两个平台上条码各自独立,不能说把同一颗活细胞测了两次。例中的深度、计数和低表达标记都是教学模拟,读者可用它核对统计口径。
python -m pip install -r requirements.txt
python run.py --input example --out results
先查共同基因,再查共同细胞大类
打开 feature_coverage.tsv。两边各有三十八个基因,交集只有三十七个。X_ONLY 只存在于液滴矩阵的特征目录,PLATE_ONLY 只存在于平板矩阵。如果把取并集后补的零一律称作“该平台未检出表达”,就会把根本没有这个特征和有特征但所有细胞都测到零混成一类。实际项目还要核对基因组版本、参考注释、符号和稳定编号的关系。有的矩阵在导出时已经过滤全零行,原始参考中是否包含一个特征,需要额外查当时的特征目录才能确定。
随后核对共同大类。这里比较的是同一供者的 T 对 T、B 对 B。若一边把所有髓系合为一个群,另一边将单核细胞和树突细胞分开,不应直接按名字拼。先审查原始标记和注释层级,选择两边都有证据支持的粗粒度类别。即便两个数据集都写着 T 细胞,里面的初始样和效应样比例也可能不同,低表达标记的检出率因此会改变。可以先用粗类做第一轮,再在双方有足够细胞和明确标记时核对内部组成。某位供者在一侧缺少相应大类,记录为不可比较,不补造零比例。
用同一分母追到低表达基因的各位患者
我们把一个基因在某颗细胞的原始计数大于零定义为检出。目标类别中检出条码数除以该类别的全部可用条码数,得到观测比例。这样做可以让两端使用完全相同的事件定义,但“观测到了至少一次”仍会受深度、建库策略、比对和过滤规则影响。看 detections.tsv 的 T 行,两边的 LOW_MARK 分别为六除以三十六、二十二除以三十六,即约百分之十七和百分之六十一。B 细胞的同一教学标记则分别是三除以三十六和七除以三十六。把两类全部合并会把两种不同的细胞背景平均在一起。
def detection(counts, selected):
if not selected.any():return np.full(counts.shape[0],np.nan)
return np.asarray((counts[:,selected]>0).sum(axis=1)).ravel()/selected.sum()
接下来打开 paired_detection.tsv,固定 T 和 LOW_MARK。三位供者的“平板减液滴”差分别为十二分之五、十二分之五、十二分之六,方向相同。每个差都保留了两侧十二颗的分母,可回原始输入再数一次。这样的按供者配对,比直接把七十二个细胞当独立重复计算一个精确到小数点后四位的显著性更符合取样设计。它仍然不能把差异唯一归给平台性能,因为在真实研究里样本处理、细胞分选、存活情况、读深等也可能与平台一起变化。Ding 等对多种单细胞和单核测序方法的配对基准研究
| 观察量 | 在练习中怎样取出 | 解释时保留的边界 |
|---|---|---|
| 原生矩阵总量 | cell_depths.tsv 的 native_total 与 native_unit | 液滴端为 UMI,平板端为基因读段 |
| 比对读段 | 每颗细胞单列 aligned_reads | 依赖比对口径,与原生计数不是同一分母 |
| 目标基因检出率 | 在同供者、同大类里数阳性条码 | 报告阳性数、总数与深度 |
| 标记排序 | 每种平台内部算 T 相对 B 的效应 | 再跨平台核对方向和名次 |
为什么还要读深度表和原始计数
在 cell_depths.tsv 中筛选同一供者同一大类,比较每颗细胞测到的共同基因数和比对读段数,再用原生单位看各平台各自的文库大小。若其中一边的细胞普遍读得更深,额外检出的低表达基因可能受观察机会增加影响。若希望比较固定读深下的敏感性,应在上游同一读段口径下抽样并重新计数,保留软件版本、读段分配和去重策略。把一边的分子计数和另一边的读段计数各抽到一样的总整数,不能保证两边经历了相同的测序投入。没有原始读段时也可以做描述性分层比较,把缺少的上游数据和已有证据说清楚。
还有一个常被忽略的细节。某个高表达基因占据较大比例时,每万归一化会影响同一细胞内其他基因的相对量。读段数据还可能受转录本长度和扩增差异影响。即使把两个平台都换成同样名为“每万”的数值,也只能表明做了相同形式的缩放,原软件和技术产生的单位并未因此等价。读者若要挑一个适合跨平台细胞注释的标记,通常更关心它能否在双方的目标谱系内见到,并在同平台的其他谱系中相对较低,而非两个矩阵的绝对均值是否完全一致。
若平板测序提供了空孔或加样对照,还可以检查某个低丰度基因的零星读段是否也出现在这些孔中;液滴实验则应回看相应的空液滴或背景信号。两类对照来源不同,适合用来各自排查微弱检出的可信度。把这类复核记录和数据中的阳性条码一起保存,有助于决定是否值得做更深入的跨平台验证。
先在每个平台内部排标记,再做交叉核对
rank_markers 函数先用该平台每颗细胞完整矩阵的列总量归一化,对 T 和 B 分别求平均并加一个单位,再计算对数比,只对双方共同基因排名。归一化的分母包含本平台独有的基因,避免为了排一张交集名单,反过来改变原来每个细胞的计数口径。练习的两个平台分别计算以后,前三名都依次为 CD3D、TRAC、IL7R。单个低表达基因的检出差别很大和一套主要谱系标记保持相同方向,可以出现在同一组数据里;前者提示对测量条件敏感,后者提供核对注释的线索。
def rank_markers(counts, depth, case, reference, gene_ids):
if not case.any() or not reference.any():return []
norm=counts.multiply(10000/depth).tocsr()
mean_a=np.asarray(norm[:,case].mean(axis=1)).ravel()
mean_b=np.asarray(norm[:,reference].mean(axis=1)).ravel()
effect=np.log2((mean_a+1)/(mean_b+1))
order=sorted(range(len(effect)),key=lambda j:(-effect[j],gene_ids[j]))
return [(rank,gene_ids[j],float(effect[j])) for rank,j in enumerate(order,1)]
自己做一次反查。打开某位供者单独的 marker_ranks.tsv 行,不看全体的名次,先找到前三名在两侧各排在哪里,再把其中一个基因的检出比例和两种原单位总量并排。若两个平台的主标记方向都变了,应优先核对细胞名是否映射到同一大类,是否有平台独有的亚群比例、特征预过滤或混淆样本。若只有接近检出下限的基因发生变化,保留逐供者图作为技术条件敏感的证据。这样合作者可以据实区分“这次测量里更常见”和“这类细胞一定表达更多”。需要在多批文库上做读段抽样和重计数时,再按照实测的单批耗时与存储安排云生信科研服务器租赁。
