同事发来一份小鼠淋巴细胞矩阵,想与人的免疫图谱放在一起。把基因名全部改成大写,Cd3d 立刻就对上 CD3D,连 Trbc1 也找到了 TRBC1,看上去相当顺利。可是一查数据库,后一个小鼠基因与人的 TRBC1、TRBC2 都有被记录的同源关系。只看拼写就把第一列定为共同特征,第二个关系去了哪里?我们实际查询了十五个小鼠基因,再用一套可下载的模拟表达,算清楚选择不同映射规则会留下哪些信息、会把多少计数写进错误的位置。

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)
建立一张一行只表示一条关系的表
先从每个物种的原始注释中取基因稳定编号,把读起来熟悉的符号另存一列。跨物种的主键应是源编号与目标编号的组合。一张表中同一个小鼠编号允许出现多行,才装得下有多个目标的关系。随包的映射表从 Ensembl 实际查询,检索时的版本为一百一十六,原始设置、时间和全部返回边一起保存。读者可以不联网跑案例,也可以用独立命令刷新一份新表查看变动。Ensembl 基因树的构建与推断
这里先按物种查询符号所对应的主基因记录,拿到稳定编号后再限制目标物种为人,只请求直系同源关系。这样能避免将多个同名别名的搜索命中一股脑当作同一个基因。若原项目有稳定编号,应直接用注释中那个编号;有些参考版本还带版本后缀,要同时保留原列和用于查询的键,检查去掉后缀以后会不会发生碰撞。映射表应与实际建库使用的注释一起保存,一份新发布的注释可能合并、拆分或注销旧条目,光有日期和大小写转换脚本很难追溯。Ensembl 的同源查询接口
python -m pip install -r requirements.txt
python run.py --input example --out results
# 需要和数据库换版后的结果比较时,另存新目录
python fetch_orthology.py --out refreshed
现在打开输出的逐基因核对表。十五个小鼠基因中,六个满足数据库标成一对一、目标稳定编号唯一、两侧面板都测到了;七个被列为复杂关系;一个本次未返回人的直系同源关系;另一个虽有一对一映射,人的教学面板刻意没有测它。将这些条目全部写成“匹配失败”,就无法决定下一步该更换查询版本、检查实验面板,还是保留在各物种自己的分析里。下面的函数直接取自下载脚本,可改成自己的筛选规则并另存输出。
def mapping_decision(rows, human_assay, incoming):
targets={r["human_id"] for r in rows if r["human_id"]}
if not targets:
return "no_returned_orthologue", ""
if len(targets)!=1 or {r["homology_type"] for r in rows}!={"ortholog_one2one"}:
return "complex_orthology", ""
human=next(iter(targets))
if len(incoming[human])!=1:
return "multiple_panel_sources", ""
if human not in human_assay:
return "target_not_measured", ""
return "aligned", human
两个目标不等于测了两遍
在这个版本里,小鼠 Cd8b1 有两个被返回的人类目标 CD8B 和 CD8B2。示例小鼠矩阵中这个基因合计二百五十七个 UMI。把表达表和同源关系做普通的一对多连接,再按人类基因求和,两个目标各得二百五十七,合计五百一十四。原来哪颗细胞中的哪个分子应该给哪一个目标?小鼠实验没有测量这一分配。即使把每个计数平均拆半,也是在加入未经验证的分配假设。输出表保留了“每条边都复制会有多少”这一列,可以在进入整合前检查哪些家族会让总量膨胀。
| 从小鼠出发的实际例子 | 这次数据库查询和面板显示什么 | 本次如何处理 |
|---|---|---|
| Cd3d | 人的 CD3D,一对一,两侧已测 | 进入共同标记检查 |
| Cd8b1 | CD8B 与 CD8B2,两个目标 | 保留两条关系,原计数仍在小鼠矩阵 |
| Trbc1 | 上大写可以找到 TRBC1,同时另有 TRBC2 | 标记为复杂关系,排除出一对一特征 |
| Adgre1 | 一对一对应 ADGRE1,人的示例面板未测 | 标记目标未测,表达不填零 |
同样要当心反方向的缺口。练习中关键字 Klrb1c 只返回一个人的目标 KLRB1,但数据库关系类型仍为一对多。对给定源基因检查“返回了几个目标”只看见网络的一侧,不能替代关系类型,也不能用小面板中的反向边数重新定义全基因组的一对一。对于 H2-K1,教程保留的是这次用稳定编号、限定目标和关系类型之后未返回结果。拿这个空值推断免疫系统在人和鼠之间没有对应过程,会把一次检索的界限误写为生物结论。
再问哪些谱系信息在严格筛选后仍看得见
打开两个物种的基因清单。人的面板中有无某基因,由该基因是否登记为测量特征决定;某颗细胞对这个已测基因的稀疏计数缺项,才可以解释为这一格为零。这里特意把人的 ADGRE1 从特征表中移去,保留了小鼠 Adgre1 的二百一十一个 UMI。若先把两张表并集对齐、所有缺项用零补齐,接下来一张很漂亮的热图就会“发现”它只在小鼠表达。实际原因是比较的一侧根本没有这项测量。完整特征清单与稀疏计数应分别提交。
按保留下来的六个共同基因,逐物种、供者和粗谱系统计检出数、总细胞数和平均归一化表达。归一化用原始全库的总 UMI,不能只拿六个保留基因的计数和重新定义深度。否则剔除一个高表达的家族就会把其余基因的相对值全部抬高。示例每物种有两位模拟供者,每位有十二颗 T、十二颗 B 和十二颗髓系细胞。第一个人样和第一个鼠样的 B 细胞中,CD79A 对应的标记均为十二除以十二;同一人样的 T 为零除以十二,小鼠则为三除以十二。核对时会同时看到目标群和邻近群,避免把偶然检出写成谱系专属。Seurat 的外周血谱系标记示例
def marker_stat(cells, counts, feature):
called=sum(counts[c["barcode"]].get(feature,0)>0 for c in cells)
normalized=[10000*counts[c["barcode"]].get(feature,0)/int(c["total_umi"]) for c in cells]
return called,len(cells),sum(normalized)/len(cells)
下载包的热图给每位供者等权,颜色是检出比例。想判断一个标记在不同技术平台上是否同样好用,可以先翻到逐供者的表看分母,再研究高深度文库是否普遍有更高检出率。即使两个物种使用同一对一基因,转录本捕获率、细胞状态、组织区室和样本结构也可能不同。如果一边全部是刺激后组织,另一边全部是静息组织,仅凭筛出共同编号,不能把状态差异解释成物种差异。同理,一个供者能说明该份样本的情形,跨物种可重复性还要看各自的独立供者。
留一份会告诉你“付出什么代价”的表
只数留下的基因数仍然不够。练习里六个可比的小鼠标记共有一千零八十六个 UMI,七个复杂关系所涉及的信号就有一千零九十个。严筛可以得到定义清楚的共同输入,却会让部分免疫受体或谱系相关的信号退出这张矩阵。原物种的表达和这些家族仍值得单独画图。若研究本来就围绕受体家族扩增,可另建家族层面的汇总,一开始约定每个物种内一个基因只归到哪个家族、怎样避免重复归属,报告为家族量。不能沿用单个基因的名字解释合并后的表达。
可以用自己的数据做两个很小的实验。先在工作副本里把 Adgre1 对应的人基因加入已测清单,但暂时不改计数;复算后会从“目标未测”移动到“已测但示例计数为零”。这个操作用来理解软件如何使用元数据,真实项目只有原始特征清单能支持这种变动。再挑任一个多目标基因,用逐边复制列对照原始总数,列出哪一类原始细胞受影响最大。两次实验说明,相同的热图空格可以来自实验设计,也可以来自映射策略,最终报告中值得并排记录这两条证据。
当共同特征与丢失的标记都能逐个追到源编号,再把两个物种的全量矩阵交给后续整合;如果要在多批图谱上并行复算不同注释版本,可以把冻结的映射表、脚本和原计数一同放到云生信科研服务器租赁环境中。
