在一群已经确认谱系的 CD8 T 细胞中,治疗样本的 PDCD1 看上去很亮。把簇名换成“耗竭 CD8 T”,后续所有比例图和通讯分析都会带着这个判断向前走。需要多强的证据才值得改名?可以先做一个反向练习,让两种环境中检出 PDCD1 的比例完全相同,再看看同一颗细胞里的其他转录本能否区分短时激活与持续刺激相关表型。随文的四位模拟供者给出了这个例子,也保留了一位方向较弱的供者,读者可以从表格追到每一颗条码。

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)
先说清被研究的细胞和时间背景
示例只纳入已有独立依据支持 CD8 谱系的条码。正式项目首先要核对 T 谱系,区分杀伤性 T、NK 和标记不确定的细胞,同时保留供者、样本部位、处理和采样时间。这里每位供者有一份短时刺激条件和一份肿瘤环境的教学样本,两边各二十颗。肿瘤和短时刺激在实际研究中会同时带来组织、处理与刺激时长的差别,不能把这两个名称当作只相差某一个因素的受控实验。在这个设计里,记录环境是为了组织观察证据,没有据此推断某种药物的疗效。
为何要对短时激活保留一个解释?急性抗原刺激期间的 CD8 T 细胞也可以表达 PD-1,研究者已在急性感染模型中观测到这种变化。另一些慢性刺激研究则把 TOX 与一系列抑制受体、分化表型和功能变化联系起来。两个观察共享一个基因,不足以说明它们是同一种细胞状态。把文献中的细胞来源和刺激时间一道记下来,比从不同论文各摘一个标记拼成“判定表”更有帮助。急性感染中 PD-1 与效应 CD8 T 分化的原始研究 · TOX 与肿瘤特异性 T 细胞分化的原始实验
python -m pip install -r requirements.txt
python run.py --input example --out results
让三个面板分别回答三个问题
第一组看 CD69、FOS 和 JUN 的早期激活相关程序,第二组看 PRF1、GZMB 与 NKG7 的杀伤相关程序,第三组看 TOX、ENTPD1、HAVCR2 与 LAG3 的持续抗原刺激、耗竭相关转录程序。三组不共用基因,PDCD1 单列为待解释的观察。用它筛出细胞后,再用含它自身的总分证明那批细胞耗竭,两个步骤会共享同一证据。也请留意 FOS、JUN 可受组织解离影响,CD69 可与组织驻留相关,第三组的部分基因也能在激活后变化;这里所说的是程序相容,尚不足以给单细胞做功能鉴定。
每个面板计算两个量。一个量是每颗细胞的原库深度归一化后,按基因取一加自然对数,再求面板平均;另一个量是面板中是否至少两项分别有两个原始计数。数字门槛可以在配置文件中变动。连续分数帮助看渐变,多项共检出则便于回答是不是某一个基因过高带动了全组平均。读取结果时请并排查两者、基因覆盖及原深度,尤其是某个基因在自己的参考注释里根本未测时,不能给该列填零继续沿用原门槛。
def program(row,genes,minimum,required):
values=np.array([int(row[g]) for g in genes])
return bool(sum(values>=minimum)>=required),float(np.mean(np.log1p(10000*values/int(row["total_umi"]))))
把同一个百分之六十拆开
两种环境各有八十个 CD8 条码,其中都恰好有四十八个检出 PDCD1,每位供者均为十二除以二十。如果给所有阳性者统一命名,这两个环境会得到一模一样的“耗竭比例”。沿条码核对,短时刺激样本的四十八个阳性全部达到早期面板,没有一个达到持续相关面板;肿瘤样本中则有三十九个具备持续相关程序,九个更多表现为早期面板。这个结果来自明示的教学模拟,作用是让读者看到单基因比例可以如何遮住完全不同的组合,不能当作这两类真实样本的总体发生率。
| 逐供者查看 PDCD1 阳性者 | 阳性条码数 | 早期面板支持 | 持续相关面板支持 |
|---|---|---|---|
| 四位供者的短时刺激合计 | 48 | 48 | 0 |
| 肿瘤环境中前三位分别看 | 每人 12 | 每人 0 | 每人 12 |
| 肿瘤环境中第四位 | 12 | 9 | 3 |
| 四位供者的肿瘤环境合计 | 48 | 9 | 39 |
这张表还能用来检查分母。三十九除以四十八回答“肿瘤样本里已检出 PDCD1 的细胞,有多少同时具备持续相关程序”。若要描述所有可信 CD8 的情况,需要把分母改为八十,并明确是否仍要求 PDCD1 阳性。要讨论所有 CD8 中程序活跃的比例,还应允许没有检出 PDCD1 但其他基因仍有信号的条码进入相应程序。本练习的逐条码表把三个程序和原始计数都保留,换问题无需重新读矩阵。实际报告中贴一个“阳性百分比”而不给分母定义,读者就无法追溯。
def phenotype(early,persistent,positive):
if not positive:return "PDCD1_undetected"
if early and persistent:return "overlapping_programs"
if persistent:return "persistent_program_supported"
if early:return "early_activation_supported"
return "PDCD1_only"
单看一个样本或一种程序,还会丢掉什么
第四位供者就是现成的反例。前三位在肿瘤环境中的十二个阳性条码各自都有持续相关程序,第四位只有三个。若把四十八颗细胞视作四十八次独立患者重复,就会用大量高度相似的细胞冲淡第四个人的区别。可以将下面脚本打印的两种环境数据按供者连线,看条件变化是否在多数人上方向一致,再去查异类供者的部位、取样和处理。四位仍然是四位,若后续需要组间推断,还要另外设计足够的独立患者和合适的统计模型。
import csv
from pathlib import Path
with Path("results/donor_programs.tsv").open(encoding="utf8") as handle:
for row in csv.DictReader(handle, delimiter="\t"):
if row["context"] == "tumor":
print(row["donor"], row["persistent_among_PDCD1_positive"], row["PDCD1_positive"])
杀伤程序同样值得单列。示例肿瘤样本的三十九个持续程序候选中,二十六个还达到杀伤面板门槛。把转录上疑似长期刺激的细胞都预设为不再表达细胞毒分子,会将这些条码一律判作矛盾。相反,将 GZMB 的读数直接当作能杀死多少靶细胞,同样缺少功能证据。所测的是同一颗细胞在采样时含有哪些转录本,功能还会受抗原识别、受体信号、翻译和微环境等影响。报告可以先写“持续刺激相关程序与杀伤相关转录共存”,并附原分子计数和样本范围。
把转录描述变成可验证的问题
如果关心的是功能受损,可以为后续实验约定在什么条件比较。比如从相近来源、相同供者的候选群与对照群出发,在相同刺激条件下测多种细胞因子、增殖响应或对指定靶细胞的杀伤,并记录有多少独立样本支持差别。要谈抗原特异性,则需要相应抗原、配套受体或直接功能证据。若要区分短暂应答与较持久状态,可以补早期、恢复期或重复刺激时间点。横断面的单个转录组不能替这些时间点提供持续时长,也不能仅根据 PDCD1 的高低推断对免疫治疗的临床响应。
对自己的数据还有一项低成本核验。复制配置,从早期面板中移开一个容易受解离影响的基因,检查第四位供者的九个早期候选里有多少仍有另两项支撑。再将基因级计数、全库深度及相邻状态联合检查,观察某个批次的低分是否只是少测到一个关键基因。若不同面板定义给出的结论不一致,应保留条码和数目,说明哪一句结论依赖这个标记选择。写作时区分“观察到持续相关转录表型”“有共表达蛋白支持”和“独立实验证明功能改变”,就能为每一项结果找到相应验证路线。
若某位供者只有很少的细胞能进入同一比较,还要把这位供者的原始点和分母单独画出,避免一个小分母产生的极端比例看起来比其他人更可靠。多供者比较时,先将面板、输入版本和判断理由保存在同一份可编辑文档中;等要对不同时间点或多批完整矩阵重复打分,再把这些脚本与供者清单放到云生信科研服务器租赁环境重跑。
