同一位患者在治疗前测出三百个单核细胞,治疗后测出八百个。把两边一千多个点丢到检验里,很容易做出星号满天的图。可临床同事想知道的通常是另一件事:这位患者自己的单核细胞怎样变了,其他患者是不是也沿着同一方向变化?要回答它,第一步就得把患者身份放回矩阵。下面从一份可下载的真实计数开始,亲手汇出十六列样本,拟合一个有配对的模型,再打开逐人折线,看哪些结论能落到具体供者身上。

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)
八位供者如何变成十六列
Kang 等人的实验为这个问题提供了一个便于复核的例子。八位狼疮供者的外周血细胞分别留作对照或接受六小时离体干扰素刺激,同一个人提供两侧材料。这里借它讲配对设计,暂时把变化解释为离体刺激响应。实际的临床治疗前后往往还相隔数周,两次采样可能伴随疾病进程、用药调整和组织部位变化。在结果段保留真实干预名称,读者才知道哪些推断可以转移到自己的纵向队列。Kang 等的原始研究 · muscat 对该数据和实验设计的说明
下载包截取已注释为经典单核细胞的一类,共五千六百九十七个条码,保留原始计数中的一万五千七百零六个基因。每个条码旁都有匿名供者、条件和全库计数。先手工查看一位供者的两侧,再沿着其他七位逐一检查。供者编号相同、细胞类型相同、条件不同的两列才是一对。在自己的项目中,若同一管细胞拆成两条测序通道,仍应追溯到同一份样本;如果来自不同组织部位,就要先明确比较的是治疗时间,还是部位也跟着一起变化了。
python -m pip install -r requirements.txt
python run.py --input example --out results
# 已安装 edgeR、Matrix 和 statmod 时,可从单细胞矩阵重拟合
Rscript fit_edger.R example example/fit
从原始 RNA 计数亲手加出一个样本
把每个条码映射到“供者加条件”的唯一键,在这份示例里共有十六个样本键。脚本建立一张稀疏的条码到样本指示矩阵,用基因乘细胞的原矩阵右乘它,每个输出元素就是一个基因在该样本所有入选单核细胞中的原始分子数。先算所有基因的和,必须等于分到该样本的每个条码原库深度之和。这个检查能同时暴露几种常见错误,包括基因和细胞转置了、条码表排过序但表达矩阵没有跟着排、读到的层已经做过对数变换。当两种总数对不上时,先修正输入再看差异。
cells$sample <- paste(cells$donor, cells$condition, sep = "__")
samples <- unique(cells[, c("sample", "donor", "condition")])
samples <- samples[order(samples$donor, samples$condition), ]
cell_to_sample <- sparseMatrix(i = seq_len(nrow(cells)),
j = match(cells$sample, samples$sample), x = 1)
counts <- as.matrix(x %*% cell_to_sample)
colnames(counts) <- samples$sample
samples$donor <- factor(samples$donor)
samples$condition <- factor(samples$condition, levels = c("ctrl", "stim"))
stopifnot(all(table(samples$donor, samples$condition) == 1))
某一侧把 IFIT1 测成零也可以构成一份有效样本。供者一〇七的对照侧有单核细胞和正的文库大小,只是目标基因没有检出,刺激侧则出现明确计数。若同一个人治疗后根本没采血,情况就不同,不能为整份缺失的样本补上一列零。对于以完整配对为主的问题,可把缺访记录单列,报告丢了几对以及丢失是否与病情有关;设计足以利用不完整纵向资料时,再为那个问题另行建模。在这里,程序会在有重复条件或缺失配对时停下,让分析者先检查名单。
患者项吸收各人自己的表达基线
在设计矩阵中给每位供者一个基线,再增加一列区分刺激与对照。条件系数就代表在同一供者内比较后的共同变化。为了让比较容易理解,脚本另外拟合一个故意略去供者项的模型,使用同样的基因、同样十六列样本和同样的归一化因子。两套结果的差异由模型设计产生。真正的主分析按采样方案事先确定,倘若实验本来按人配对,不该因为另一套模型在某个基因上给出的显著性更亮眼就交换主次。edgeR 软件与使用手册
先按两组的表达覆盖过滤低信息基因,再以通过筛选的文库计算有效大小和组成校正因子。模型得到三千七百零九个通过过滤的基因;输出的多重校正范围就是在这一细胞类型中实际检验的这些基因。计数在拟合时保留整数,图里则显示按有效文库大小换算后的每百万计数。二者作用不同,如果把某个刺激前后的总分子数直接相除,里面还混入两次取样回收到的单核细胞数及测序深度。尤其是遇到零计数时,不能靠随手加一个常数把个人倍数当成模型系数。
paired <- model.matrix(~ donor + condition, data = samples)
unpaired <- model.matrix(~ condition, data = samples)
stopifnot(qr(paired)$rank == ncol(paired))
y <- DGEList(counts)
keep <- filterByExpr(y, group = samples$condition)
y <- calcNormFactors(y[keep, , keep.lib.sizes = FALSE])
fit_condition <- function(design) {
model <- estimateDisp(y, design)
fit <- glmQLFit(model, design, robust = TRUE)
test <- glmQLFTest(fit, coef = match("conditionstim", colnames(design)))
topTags(test, n = Inf, sort.by = "none")$table
}
paired_result <- fit_condition(paired)
unpaired_result <- fit_condition(unpaired)
对着三条结果读八根连线
ISG15 的配对模型效应约为七点六一,IFIT1 约为七点九六,单位是以二为底的对数倍数。两者在八对样本中刺激侧的归一化计数都高于对照侧。供者一〇一和一〇一五的起始水平差别相当明显,却都出现了向上的连线。打开长表,每条线都可以回到对应供者的两个细胞数、两个原始计数之和以及两个归一化读数。图上用相同横坐标的是两种实验条件,横向距离没有估计实际生物学反应速度的含义。
| 基因 | 配对模型 log2FC | 略去配对 log2FC | 逐人检查 |
|---|---|---|---|
| ISG15 | 7.61 | 7.15 | 八人全部上升 |
| IFIT1 | 7.96 | 7.78 | 八人全部上升,一人对照侧未检出 |
| RPLP0 | −0.69 | −0.70 | 八人全部下降 |
第三行提供另一种读法。RPLP0 在归一化后的相对丰度上八人都下降,配对和未配对系数非常接近;不能因此把第三个基因擅自解释为每个细胞的绝对分子数都减少。刺激引起的大幅转录变化会改变相对计数的背景,绝对丰度问题需要合适的参照和独立测量。也可以在两种模型之间比较校正后的概率:本例中前两个基因略去供者项后的数值反而更小,第三个则相反。配对设计的理由来自实验单位和关联结构,并不承诺每个基因的概率都按同一方向变化。
换成自己的治疗前后数据
作图前给每位患者建立一行核对记录,包括前后两次的真实采样日、组织位置、建库批次和这一细胞类型的回收数。固定人群后再估计变化方向。假如治疗前全部来自一块病灶,治疗后全部来自另一部位,即使八根连线整齐朝上,配对项也不能把部位和治疗的影响拆开。若有多处病灶或多次随访,需要先选清问题中的时间对比,保留标本的嵌套层次,避免同一个人因提供了更多活检而变成更多独立患者。
最后做一次不看显著性列的复核。挑出最想写进摘要的两个基因,分别报出有效患者数、同方向人数、最大偏离的供者,并从原计数里检查这位供者的两侧是不是由很少的细胞支撑。再找一个方向相反或没有明显变化的基因,检验图例、条件顺序和效应符号能否自洽。这样的结果可以交给取材同事核对,每条解释都连着患者、样本和可重算的分子计数。若个别病例出现反向,保留它们有助于挑选下一批验证样本,而不是在汇总图中把它们隐藏掉。
还可以用供者一〇一做一次小验算。这位供者的对照列收进二百零七颗单核细胞,刺激列有二百六十九颗。将这两组条码各自在全体基因上的原始计数求和,应分别得到五十三万一千二百一十和七十六万三千七百六十九。其他同事只要有下载包,就能核对这两列的方向、样本归属和计数层。
这份示例在个人电脑上即可复算。换成多中心的完整稀疏矩阵、需要按数十个细胞类型重拟合时,可把同一份患者表和脚本移到云生信科研服务器租赁,按原设计保存每一轮结果。
