两家医院送来单细胞数据,元数据里同时有医院、患者、建库批次和病例对照四列。运行 scVI 时,batch_key 那个位置只填一个字段。选医院之后两种颜色混得很均匀,换成患者编号似乎还能混得更开。哪一个才合适?把问题拆回实验设计:想处理的技术差别发生在哪一层,哪些组之间真的有可以对照的独立样本,整合以后课题关心的细胞状态还能不能找到。本文用同一份原始计数真正训练两套模型,并把它们的近邻条码和原始标记留给读者核查。

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)
先看哪几列代表技术过程,哪几列代表生物学问题
练习模拟两家医院,每家有两位病例和两位对照,总共八位独立供者。每家医院分两轮制备,有部分供者的材料在两轮都做了一次捕获。每个技术批次中都有病例和对照,也都包含 T 和 B 细胞。合计三百八十四颗,其中两个大类各一百九十二颗。模型训练读取表达与指定的批次字段,病例对照和谱系字段留给事后核对。若真实队列所有病例都在一家医院、所有对照在另一家,数据本身就缺少医院内的条件比较。此时不能仅凭整合前后的图判断某段差异应该归给疾病还是技术。
打开 design_table.tsv 看一组具体数字。第一家医院总共有九十六颗病例细胞和九十六颗对照细胞,每边各来自两位供者。细看第一轮制备,两组各有三十二颗,却各由一位供者贡献;第二轮才各有两名供者。可见“细胞数差不多”和“独立样本覆盖充分”需要分别核验。若用每位患者的编号作为批次,患者之间真实存在的个体差异也可能被吸收到批次建模之中。这不意味着供者在所有设计里都不能做批次,而是当供者和目标条件一一对应时,必须说清还能依靠哪一部分设计区分二者。
同一份原始计数拟合两次,只改变批次变量
脚本从 Matrix Market 计数、基因和条码读取原始非负整数,按细胞排列成 AnnData 需要的方向。两次模型使用相同数量的基因和细胞,固定随机种子、潜在维数、隐层规模、迭代轮数和验证划分设置。第一次将医院列交给 setup_anndata,第二次将能追溯到实际建库的 prep_batch 列交给它。病例对照不进入 batch_key。两个模型都在 CPU 上训练了七十五轮,并分别输出六维潜在表示。训练代码里没有事先做文库总量归一化或取对数,这是计数模型需要的输入约定。scvi-tools 的数据注册与建模实例
def fit_one(counts, annotation, genes, key, cfg):
obj=anndata.AnnData(X=counts.T.astype(np.float32).tocsr(),obs=annotation.copy(),var=pd.DataFrame(index=genes))
scvi.settings.seed=cfg["seed"]
scvi.model.SCVI.setup_anndata(obj,batch_key=key)
model=scvi.model.SCVI(obj,n_latent=6,n_layers=1,n_hidden=64,dropout_rate=.1,gene_likelihood="nb")
model.train(max_epochs=cfg["epochs"],train_size=.9,batch_size=64,accelerator="cpu",devices=1,
early_stopping=False,enable_progress_bar=False,enable_model_summary=False,logger=False)
return model.get_latent_representation()
想先读懂结果,可以用下面前两行直接核对 ZIP 中保存的两份训练输出;它们按条码与原始矩阵一一对应。若想亲自重新训练,建议另建 Python 3.12 环境,安装模型依赖,再运行后面三行。重训结果写在新目录,核对时用 models 参数显式引用,便于与随文版本比较。神经网络重新训练会受软件版本、数值库和设备影响,比较各项读数时应记录实际环境。两个模型各自的第一维不必方向相同,不要直接拿它们的横坐标相减来解释细胞移动。SCVI 官方模型与训练接口
python -m pip install -r requirements.txt
python run.py --input example --out results
python -m pip install -r requirements-model.txt
python fit_scvi.py --input example --out fitted
python run.py --input example --models fitted --out results-refit
为什么先看谱系,再在谱系内部查批次混合
对于每套潜在表示,先在全部细胞里为每颗细胞找十个邻居,计算同大类比例。再只允许同一大类的候选互为邻居,分别记录不同医院、不同制备批次以及同一病例对照状态的邻居比例。这两轮的参照不同。限制同类型后本来就不会出现跨类型邻居,因而不能用第二轮的结果声称模型成功保住了谱系边界。程序在第一轮独立检查该边界,然后才解释第二轮。读者可以在 within_type_edges.tsv 中选一个焦点,手动连接各邻居的医院、批次、条件与供者,验证每项比例的分母。
def nearest(latent,k,population=None):
distances=cdist(latent,latent)
np.fill_diagonal(distances,np.inf)
if population is not None:distances[population[:,None]!=population[None,:]]=np.inf
indices=np.argsort(distances,axis=1,kind="stable")[:,:k]
if not np.isfinite(np.take_along_axis(distances,indices,axis=1)).all():
raise ValueError("Not enough matched cells for the requested k.")
return indices
| 同一批 T 细胞的读数 | 用医院作为批次 | 用制备轮次作为批次 |
|---|---|---|
| 全体近邻中同大类比例 | 1.000 | 1.000 |
| 同类近邻中来自其他医院 | 0.475 | 0.494 |
| 同类近邻中来自其他制备批次 | 0.580 | 0.702 |
| 同类近邻中同病例对照状态 | 0.995 | 0.997 |
这组数值有一个具体的解释。以医院为批次时,模型能区分医院这一层的测量环境,但每家医院内部还有两个制备轮次。直接对应该技术过程的模型中,T 细胞十个同类近邻里约七成来自其他制备批次,而医院模型约为五成八。两个模型中 T 和 B 的大类边界都清楚,T 内保留了模拟条件信号。这里不能拿七成去和想象中的理想百分之百比较。即使完全随机混合,近邻来源也受各批次细胞数和目标状态分布限制;对于一个几乎只在某批出现的状态,强求所有邻居跨批甚至可能消去研究问题本身。
把疾病信号带回原始表达矩阵
病例 T 细胞的干扰素程序在建模拟数据时被提高,B 细胞没有这项设定。去看 raw_markers.tsv,第一家医院两位病例的 T 细胞中,ISG15 都在全部细胞检出,平均对数归一化表达分别约五点九一和五点八六;同院两位对照的检出率都是百分之三十七点五。第二家医院也能在患者内检出病例的同一方向。再查 IFIT1 和 MX1,确认是一组基因共同支持。这个表从原始计数生成,与选择哪个 batch_key 无关;两套模型需要回答的是它们在潜在空间里是否仍为这组细胞保留相近的邻居结构。
与此对应,两套模型里 B 细胞的同条件近邻比例分别约零点四九四和零点四八五,约有一半邻居来自另一种条件。如果把所有 T 和 B 混起来取平均,会把一种谱系内强烈的条件结构与另一种谱系内很弱的结构混在同一个数字里。同样,原始 RNA 的均值与嵌入几何也不是同一种效应量。模型上的同条件邻居比例很高,不等于观察到了治疗因果效应。若要进行病例对照推断,还需对每一位供者在相应谱系的原始表达作适当汇总,结合可估的设计和生物学重复计算不确定性。
在真实两院项目里怎样选这一列
先向实验端核实医院编号是不是仅表示送样机构,还是同时代表不同建库仪器、化学版本或时间段。若实际技术过程发生在院内不同批次,而且这些批次里均有多种条件和相关谱系可比较,制备批次是有直接依据的候选。如果标识过细导致每个患者都成了独有的一批,原始设计提供的跨患者参照可能不够,这时干净的列联表比继续扩大模型复杂度更重要。真实资料还要查极少细胞的批次,不能因为大批次混得好就忽略某个小批次里的整类细胞都偏离。
交付时可以把两个候选设置、它们要处理的技术差异、按细胞类型拆开的近邻读数,以及每位供者的原始标记放在一页。同行据此可以讨论为什么本例倾向制备批次,也可以指出某种关键状态在另一种设置下更稳。读者若要做敏感性练习,可将近邻数由十改为十五,在同一份模型坐标上重算核对表,观察只改评估邻域能否改变判断。等需要在多中心大型队列比较训练参数和模型重复性时,再按一套模型的实测资源选择云生信科研服务器租赁。
