一张外周血的标记点图上,两个簇的 NKG7 都很亮。按最亮的基因取名字,这两个簇可能都会被叫作 NK;回到同一颗细胞的计数,其中一簇却有大批细胞同时表达 T 细胞受体复合物相关基因。首次手工注释最值得练习的,恰好是如何追问一个自己刚想贴上的标签。我们用一位健康供者的公开 PBMC3k,先遮住原注释,只保留八个簇号。读者可以从十七个真实标记的原计数画点图,也可以查到任意一个点背后的条码。10x Genomics 的 PBMC3k 原始数据

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)
选成组的标记,再给每个候选配一个容易混淆的邻居
第一列放 T 谱系相关的 CD3D、CD3E 和 CD2,旁边接上 NKG7、GNLY 和 KLRD1 所代表的杀伤及 NK 相关程序。两个面板靠在一起读,既能认出典型的 T 与 NK,也允许细胞毒性 T 同时点亮两套。B 面板选 MS4A1、CD79A、CD74,旁边对照髓系的 LYZ、LST1、FCER1G。CD74 在其他抗原呈递细胞里同样可能表达,任何单个深色圆点都值得往旁边多看两列。为了让不适合直接归入四大类的小群也有出处,图中另放 FCER1A、CST3、HLA-DRA 作为树突状细胞相关复核标记,PPBP 和 PF4 用于寻找血小板、巨核细胞相关信号。Seurat 的 PBMC 手工注释实例
原数据检测到二千七百颗细胞,随包所用的公开处理对象保留二千六百三十八颗。我们按原条码把处理对象的簇号配回原始计数,从原矩阵重新取全库总量和十七个标记。已有的人类可读标签另存,分析脚本不会读取它。练习时可以把对照表留到最后才打开,先记下各簇最有依据的大类、次选解释、还缺什么证据。这个顺序可以防止先看见“树突状细胞”,再只找支持这个名称的基因。
python -m pip install -r requirements.txt
python run.py --input example --out results
算清一个点的面积和颜色
点面积与该簇里原计数大于零的细胞比例成正比。颜色的算法是先把每颗细胞的原计数除以它的全库总量并乘一万,在簇内所有细胞上取平均,最后取一加平均值的自然对数。零计数细胞也在平均值分母里。练习图没有再按每个基因跨簇做标准化,输出表同时给出取对数前后的均值。Seurat 的 DotPlot 可以按基因缩放,且默认的点大小缩放设置也与本练习的面积编码有所区别,复核两套图时要先写下实际参数。看两张截图颜色不同,不能得出原计数不同的结论。Seurat DotPlot 的定义和参数
def dot_values(cells,gene):
detected=sum(int(r[gene])>0 for r in cells)
mean=sum(int(r[gene])*10000/int(r["total_umi"]) for r in cells)/len(cells)
return detected,len(cells),detected/len(cells),mean,np.log1p(mean)
在二号簇里,MS4A1 有二百九十四颗检出,分母三百四十二颗;CD79A 有三百二十颗检出,分母相同。要问“有多少细胞同时具备多项 B 证据”,不能把两个分子相加,也不能把两项比例相乘,因为同一细胞里的标记表达并非独立。脚本回到每一条码,检查三种 B 面板基因有几种大于零。至少两项的条码数为三百三十七,比任何单独看 MS4A1 的筛选保留得都多。这里的“两项”是一条有明确实现的练习条件,实验材料或测量深度改变时应重新判断。
def co_detected(row, panel):
return sum(int(row[gene])>0 for gene in panel)>=2
| 位置 | 从真实原计数得出的结果 | 值得写在注释记录里的判断 |
|---|---|---|
| C2 | B 面板至少两项为 337/342 | 先支持 B 大类,再看少数边缘条码 |
| C3 | NKG7 有 286/316,CD3D 有 278/316 | 杀伤信号与 T 谱系可以共存 |
| C4 | NKG7 有 154/154,CD3D 有 19/154 | 回到条码核对少数 T 信号来自哪里 |
| C7 | 15/15 同时检出 PPBP 和 PF4 | 保留血小板或巨核相关候选,注明小群分母 |
把杀伤面板和 T 面板放回同一颗细胞
三号簇的三百一十六颗细胞中,八十九颗两套均满足,一百六十三颗只满足 T 面板,二十九颗只满足杀伤面板,另有三十五颗都未达本例条件。四号簇则为两套均满足二十二颗,仅满足 T 的三颗,仅满足杀伤的一百二十六颗,其余三颗两组皆不足。可见把 NKG7 阳性的条码统统当作 NK,会把三号簇中大量有成套 T 证据的细胞归错。另一方面,四号簇中同时有两套证据的二十二颗值得单列复核,仅凭这张图难以断定它们都属于双细胞或都具有同一种特殊身份。
从表中任取一个两套均满足的条码,到原计数文件检查具体是哪两个或三个基因、总 UMI 高不高、是否还同时出现 B 或髓系面板。若原项目有配对的受体或表面蛋白测量,优先拿同一条码的独立模态核对。要是没有,可以先保留“大类较可信,边界需复核”的备注。样本的双细胞评估、相邻簇、文库混样方式都可以帮助决定下一步。盲目设置一个通用阈值把所有共表达者删除,会同时删去确实具有杀伤程序的正常 T 细胞。
import csv
from pathlib import Path
with Path("results/barcode_evidence.tsv").open(encoding="utf8") as handle:
hits = [r["barcode"] for r in csv.DictReader(handle, delimiter="\t")
if r["cluster"] == "C3" and r["T_NK_panel"] == "both"]
print(len(hits), hits[:5])
小簇和缺失的标记怎样写进结论
七号簇只有十五颗,PPBP 与 PF4 每颗都检出。点图能显示这个小群内部信号一致,却不能凭百分之百就断定这类细胞在其他供者中也如此稳定。尤其在血样中,血小板相关转录本还可能出现在黏附或环境污染的细胞里,可以选几个相邻大簇比较标记的成套出现、原始计数和总深度。图例同时保留十五这个分母,才不会在下一张汇报里把十五除以十五和一千除以一千看成相同证据量。六号簇的三十七颗全部满足树突状相关面板至少两项,同样要和髓系特征及邻近细胞复核才适合细分。
碰到面板里想画却没有的基因,要查看原始基因注释。例如在本练习使用的原始文件里找不到按符号命名的 TRAC,因此我们选用该文件确实测到的 CD3D、CD3E、CD2。直接添一列零会让整份样本看起来都没有 T 受体表达。自己的数据出现同样情况,可以检查稳定编号、当时用的参考注释、基因名别名和是否只剩高变基因子集;文字写明缺乏这一项测量,比在图里偷偷跳过更便于同行复查。
还有一个数值练习可以看看面板是否过于依赖某个标记。复制整个示例目录,把副本中 B 面板的 CD74 移去,再把输出指向新的目录运行。原来“三项之中至少两项”随之变成“余下两项必须在同一条码检出”。比较两份条码证据表,先记录二号簇中有多少颗失去规则支持,再从这些细胞中查看究竟是哪一项没检出。它们的原计数并未因改配置而改变。若少了一个在多谱系表达的标记后,目标簇仍有大部分条码稳定命中,而邻近的髓系簇命中减少,这次删除就有了可以说明的依据。
如果分析的是多位供者,还可以把同一个簇拆成每位供者一行,观察同一面板在不同样本中的分子和分母。不要先把所有小样本过滤掉再报告“每个人都看得到”。将细胞数较少的样本也放在图例中,用实际计数标明证据稀少的位置。某位供者的深度整体偏低时,先在相近测序深度的细胞中查看几个较容易检出的谱系标记,避免把普遍检出率降低解释成整个供者少了一个谱系。
现在可以打开公开参考标签。二号簇原标为 B,三号为 CD8 T,四号为 NK,七号为巨核细胞。对照是为了发现哪些判断值得回到表达表补证。它来自同一份单供者表达数据,不能替代独立鉴定,也无法说明其他健康个体或疾病条件必然复制这组比例。保存自己的注释表时,至少写下“条码所属簇、建议层级、支持标记、冲突标记、供者覆盖、待查项”,再把少数反例的条码单列给同事。这样下次换了聚类参数,也能解释哪些判断仍然站得住。
几千颗细胞的面板核对在本机就能完成;等到要给多位供者的完整矩阵分别画点图、批量复核边界条码时,可以把已选定的面板与这套脚本放进云生信科研服务器租赁环境,让组内每个人看到同一批可追溯的输入和输出。
