热图里一个基因的颜色加深了。组会上有人把它解释为“更多细胞进入响应状态”,也有人认为“原来就在表达的细胞变得更强”。这两种情况可以画出相同方向的均值,却对应完全不同的后续验证方案。把每个样本拆成三个数,就能先做一次便宜的排查:一共测到多少颗,多少颗测出了目标基因,以及只在测出的细胞中平均有多强。下面用八位供者的真实单核细胞对照三个基因,亲手看看其中哪一种变化占主要部分。

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)
一个均值,拆成两个可验的量
取同一份样本、同一类细胞,在原始计数上把至少检测到一个目标分子的条码记为阳性。另算每颗的相对表达,先用目标基因的原始计数除以该细胞全库计数,再乘一万,全体和阳性细胞都使用这套单位。此时,全体平均数等于阳性细胞的比例乘以阳性细胞中的平均数。因为原始计数为零的细胞在这个表达尺度上的数值就是零,这是可以逐样本核对的恒等关系。阳性者一个也没有时,全体均值可以确定为零,而阳性者的平均数没有定义,给它留一个空格。
数据来自八位狼疮供者,各人的血细胞分别接受对照处理或六小时离体干扰素刺激。教程的标题也适用于治疗前后比较,下面展示的具体数字只解释这项离体实验。筛出五千六百九十七个经典单核细胞条码,其中对照二千九百三十二颗,刺激二千七百六十五颗。随文小表保留三个基因和原始全库深度,文件很轻,读者可以在本机重算全部结果。若自己从表达对象导出三列,不要拿三列的和作库深度,分母必须来自导出前的整份原始矩阵。Kang 等的公开干扰素实验
python -m pip install -r requirements.txt
python run.py --input example --out results
def two_part(rows,gene):
depth=np.array([int(r["library_umi"]) for r in rows])
raw=np.array([int(r[gene]) for r in rows])
if np.any(depth<=0) or np.any(raw<0) or np.any(raw>depth):raise ValueError("Check library depth and raw counts.")
value=10000*raw/depth;positive=raw>0;n=int(positive.sum())
rate=float(positive.mean());conditional=float(value[positive].mean()) if n else None
if n and not np.isclose(rate*conditional,value.mean()):raise ArithmeticError("Two-part product did not recover the mean.")
return len(rows),n,rate,conditional,float(value.mean()),float(np.median(depth))
三个真实基因,把三种情形画出来
先在合并条码中做描述。STAT1 在对照侧有四百八十五颗检出,在刺激侧有一千二百七十七颗检出,比例由百分之十六点五上升到四十六点二;阳性细胞的归一化均值却从六点一一轻微移到六点二四。于是全体均值从一点〇一变成二点八八,增加的主要来源是观测到它的细胞占比变大。对研究者来说,下一步可以看不同患者中阳性人群的身份、原始计数及测序深度,验证这一观察是否跨个体出现。
B2M 提供了另一个极端。在这批已选出的单核细胞里,两侧每一颗都检出它,阳性比例已经到顶。全体均值仍能由约二百七十四升到三百四十六,因为已经阳性的细胞中,相对表达更强。IFIT1 则两部分都有明显变化,检出比例从约百分之二点九到九十五点四,阳性细胞的均值也从八点二五升至三十六点九九。三者都能让热图颜色变深,若只交一张均值图,读者无法还原各自的观测过程。
| 基因 | 对照与刺激的检出比例 | 对照与刺激的阳性者均值,CP10k | 从哪张图开始复核 |
|---|---|---|---|
| STAT1 | 16.5% → 46.2% | 6.11 → 6.24 | 逐人阳性比例与测序深度 |
| B2M | 100% → 100% | 273.93 → 345.63 | 阳性细胞的表达分布 |
| IFIT1 | 2.9% → 95.4% | 8.25 → 36.99 | 同时查看两项及零阳性样本 |
下载包里还画了阳性细胞的经验累积分布。横轴取相对表达的对数刻度,纵轴表示阳性群体中表达小于等于该值的比例。两条曲线可以在中段接近,却在高表达尾部明显分开,所以均值被少量大数拉动时,单看一对数字会漏掉线索。读图时把每条曲线后面的阳性条码数一起看。对照的 IFIT1 只有八十六个阳性,刺激侧有两千六百三十七个,估计分布尾部的精度明显不同。
把合并条码拆回八位供者
逐供者的散点图才回答方向是否在人与人之间重复。STAT1 的检出比例在八对里全部升高,但原来所有细胞都保留时,阳性者均值有六位上升、两位下降。B2M 的阳性者均值在八对里都上升,检出比例则都保持满格。IFIT1 有一位供者在对照条件的单核细胞中没有测到任何阳性。这位供者的检出比例仍为零,可以连上刺激侧的检出率;在阳性者表达分布图中却没有相应的对照点。脚本在这条强度连线上留空,保留了缺失的原因。
不要把这种空格改写成“这些细胞原先完全不表达”。未检出还受转录本丰度、捕获效率、细胞大小和测序深度影响。同一基因的检测门槛若从一个原始分子改成至少两个,原先只含一个分子的细胞就会离开阳性组。此时若仍要精确分解原来的全体均值,还要单列那些未过新门槛但有一个计数的贡献,原来的简单乘积不再完整。把自己采用的门槛、计数层和表达单位都写入图注,会让其他人更容易理解为什么照着图用默认值重画却得到不同数字。
在同一供者里再匹配一次深度
本例中,对照与刺激的原始中位库深度约为二千零七十和二千三百四十四。若刺激组总体测得更深,低丰度基因更容易跨过一个分子的检出门槛。脚本在每位供者内部按完整库深度的对数分箱,再在每个箱中让两侧保留相同数量。箱内按深度排序,截取均匀分布的次序位置;匹配完毕能导出每颗条码和原始深度。这样两边各有二千三百一十一颗,中位库深度分别为二千二百三十一与二千二百一十六,仍可能有箱内小差别。
def depth_match(groups):
matched={"ctrl":[],"stim":[]}
donors=sorted({r["donor"] for rows in groups.values() for r in rows})
for donor in donors:
bins=defaultdict(list)
for cond in matched:
for r in groups[donor,cond]:
bins[int(np.log2(int(r["library_umi"]))*4),cond].append(r)
for level in sorted({k[0] for k in bins}):
k=min(len(bins[level,"ctrl"]),len(bins[level,"stim"]))
for cond in matched:
rows=sorted(bins[level,cond],key=lambda x:(int(x["library_umi"]),x["barcode"]))
if k:
idx=((np.arange(k)+.5)*len(rows)/k).astype(int)
matched[cond].extend(rows[i] for i in idx)
return matched
在深度更接近的子集里,STAT1 检出率分别约为百分之十七和四十四点八,八位供者的方向依然一致;B2M 仍然全部检出,两侧阳性均值约为二百七十七与三百四十五。匹配改变了纳入人群,也可能舍弃真实状态相关的 RNA 总量差别,应把它和完整样本的结果并排呈现。深度匹配能检查这项可观测因素,不能从一次表达测量推断每位供者原本真实的转录概率,也无法自动消去不同细胞制备方式的影响。
让下一项实验分别碰到两个问题
如果主要是检出份额上升,用针对性的原位 RNA 检测时,可以先定义阳性判据并统计同一谱系中阳性细胞占比;如果主要是阳性者表达加强,则要同时保留逐细胞强度分布、批间参照与动态范围。正式比较多个独立患者时,单个条码不能充当患者级独立重复。两部分统计建模可以参考将检出与阳性强度分别处理的原始工作,实际设计中还要纳入供者或按供者汇总,并交代两种读数各自的样本量。MAST 两部分模型的原始论文
动手时还可以先遮住基因名,只看两行样本结果,自己试着为它们各写一句图注。第一句交代在多少位供者中有更多单核细胞跨过检出门槛;第二句写已经阳性的细胞,刺激后的强度分布发生了什么变化。再展开基因名对照两份原始计数。若一句话要靠把无阳性供者虚填一个强度才能成立,就缩小表述范围,并把真实可比较的供者数写在图旁。
这份三基因示例适合先在自己的电脑上试跑;要把同样的供者分层和深度匹配扩展到许多基因与细胞类型,可以把现成脚本和完整稀疏矩阵移至云生信科研服务器租赁,逐批导出阳性条码和配对结果。
