单细胞分析

一次筛二十种细胞、几千个基因,结果表中的 FDR 究竟管哪一层?

作者:发布于 2026-11-17约 9 分钟阅读
19,800 个有效检验,按类型校正选出 78 对,统一校正选出 63 对,其中有 4 对只有统一校正才入选

一张 Excel 表里放了二十种细胞,每种都有几千个基因的差异结果。合作同事筛出校正值小于百分之五的行,合并发来一句话:“这些是我们整个图谱控制了错误率的候选。”先打开表尾,看看那列数是每个细胞类型各算一遍,再把二十张表接在一起,还是收齐所有原始概率后从头统一计算。两种做法都可以对应合理的问题,但一张表不能在没有说明的情况下借用另一种检验范围。下面用两万个有标识的候选记录做一次逐行可复核的实验。

19,800 个有效检验,按类型校正选出 78 对,统一校正选出 63 对,其中有 4 对只有统一校正才入选

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)

把每一行对应的假设写出来

这里一行代表“某个基因在指定细胞类型中的处理效应等于零”这个假设。相同的基因在 T 细胞与 B 细胞各检查一次,就有两个不同的问题。输入模拟了二十种细胞、每种一千个基因。其中每种有十个在正式检验前因覆盖不足被标为未检验,保留行与原因,原始概率为空。剩下每类九百九十项,所有类型共一万九千八百项。有意让第一类富含较小的原始概率,其他类型较少,以便读者观察结果除了检验个数,还取决于它们在整个家族中的相对排名。

用正式数据时不要只下载显著基因表。算法需要的是完整的、实际检验过的原始概率,包括接近一的结果。若从每类只取前五十名拼接后再次校正,就把绝大多数原本可能入选的假设从分母中消失了。另一个容易误用的输入,是软件输出的已经校正好的列。要比较两种检验家族,回到未经多重校正的原始列,从同一批数值分别运行。识别基因不能只靠符号,最好用稳定基因编号与类型组成唯一键,防止一个符号映射多个基因时意外复制检验。

python -m pip install -r requirements.txt
python run.py --input example --out results
python run.py --input example --out results_001 --alpha 0.01

用四个数复算一次 BH

先抛开两万行,从四个已排序的原始概率开始,分别为零点〇一、零点〇三、零点〇三五和零点二。对每个数先乘检验总数四,再除以从一开始的名次,得到零点〇四、零点〇六、约零点〇四六七和零点二。将这串数从后向前取累计最小值,第二项便从零点〇六变为约零点〇四六七。最终校正值依序约为零点〇四、零点〇四六七、零点〇四六七、零点二。最后把数值映射回原行次序,行键和值才不会错配。在合适的检验前提下,这种递增的排序规则用于控制所声明家族中的错误发现率。Benjamini 与 Hochberg 原始论文

脚本把关键计算写成一个短函数,每次同时调用标准统计库的同一方法进行独立核对。这样读者可以自己改四个数并比较结果。原始概率在零到一之间,相同概率应得到相应的一致校正值,空白只属于未检验行。正式项目里要再区分低表达预过滤、模型未收敛、离群诊断和缺少有效样本,这些原因不同,不能都贴一个“表达不显著”的标签。用预先明确且合适的过滤规则确定分析对象,与看完概率后才保留有利的记录,也有根本区别。SciPy 错误发现率校正接口

def bh(values):
    p=np.asarray(values,dtype=float)
    if not len(p) or np.any(~np.isfinite(p)) or np.any((p<0)|(p>1)):raise ValueError("Need a nonempty family of valid raw P values.")
    order=np.argsort(p,kind="stable");rank=np.arange(1,len(p)+1)
    ranked=np.minimum.accumulate((p[order]*len(p)/rank)[::-1])[::-1]
    restored=np.empty_like(p);restored[order]=np.minimum(ranked,1)
    if not np.allclose(restored,false_discovery_control(p,method="bh")):raise ArithmeticError("BH cross-check failed.")
    return restored

同一个基因与类型,换家族后怎样变

第一类的第十号基因原始概率约零点〇〇〇五六四,在本类型的九百九十项里校正约为零点〇一二七,放进一万九千八百项里约为零点一三一三。在百分之五阈值下,它只通过分类型校正。比较第三类的第二号基因,原始概率约零点〇〇〇一〇〇,在自己这一类校正约零点〇九九,加入全部类型后却降到约零点〇三四。这次只有统一校正能入选。将它们并列可以纠正直觉中的捷径:把更多检验放进来,检验计数会增加,但候选的排序名次和它后面一串累计最小校正值也会改变。

候选记录 分类型 BH 跨类型 BH 阈值 0.05 时归属
第 1 类,g0010 0.0127 0.1313 仅分类型入选
第 3 类,g0002 0.0990 0.0341 仅统一入选
第 2 类,g0001 0.0074 0.0120 两者均入选

整份表中,两种方法都入选的有五十九对,仅分类型入选十九对,仅统一入选四对。因此各类型分别筛后合并有七十八对,而统一筛出六十三对。第一类单独就贡献十九个仅在类内入选的结果。只看两份名单的总数,会误以为较短的名单完全包含在较长的名单里;真正做一次按类型与基因的双键连接,就能找到那四个相反方向的例子。若下一轮将阈值换成百分之一,请重新计算入选列并记录阈值,原始概率和两列校正值本身不需要改变。

def rank_adjustments(rows):
    groups=defaultdict(list);all_p=[]
    for i,row in enumerate(rows):
        if row["status"]=="tested":
            if row["raw_p"]=="":raise ValueError("A tested pair is missing its probability.")
            groups[row["type"]].append(i);all_p.append(i)
        elif row["raw_p"]!="":raise ValueError("Untested row unexpectedly contains a test.")
    within={};global_bh=dict(zip(all_p,bh([rows[i]["raw_p"] for i in all_p])))
    for ids in groups.values():within.update(zip(ids,bh([rows[i]["raw_p"] for i in ids])))
    return within,global_bh

什么时候应把哪些假设算在一起

如果研究开题时已经明确“在经典单核细胞内寻找干扰素响应基因”,一个事先定义的类型内家族就很自然。图注可以写明在该类型实际检验的全部基因中进行校正,其他类型的探索结果另行标识。如果问题是“扫描整个图谱,建立任意细胞类型中有处理效应的基因与类型候选清单”,把所有计划检验的组合放入同一范围更能对准要交付的那份名单。若希望先挑出某些细胞类型,再在被挑中的类型内找基因,这涉及分层选择,不能在看完最漂亮的结果后把那些类型当成事先指定。

有的项目需要的最终单位是“至少在一种细胞里响应的基因”,这比逐对列出基因与类型又多一步。一个基因即便在五类细胞入选,折叠成基因级名单时只剩一行;原来对类型配对控制的错误率,不能直接贴到这张新名单上。选择检验单位、组合证据的方式和多重比较策略,都应与最终报告的单位一致。把不同族的列名写成明确的中文,或者在表里加入家族编号、实际检验数和校正方法,后续做富集、挑候选和复审时能省掉很多猜测。

百分之五该怎样落进结果段

这里的错误发现率是重复进行整个研究和筛选过程时,错误发现占所有发现的比例的期望;没有任何发现的重复通常将该比例计为零。它不是当前名单必定恰好百分之五出错,也不表示某个候选有百分之五的概率为假。输入的原始检验还要与实验设计相符。若把一位患者的一万颗细胞当作一万个独立患者,原始概率本就过度乐观,后面改用怎样的家族校正都不能自动修复独立重复的问题。若检验统计量存在复杂相关性,也要检查所选方法的适用条件。

实际交付时可以先报二十类中有多少组合有足够覆盖,再明确这次预先声明的检验家族与阈值,最后报告选中的基因与类型对数。随表保留未检验原因,给出各基因的效应大小、估计精度和供者方向。候选的优先级还可以综合效应和独立实验可行性,一条很小的校正概率不能替代效果有多大。这样,读者可以从正文的一句“筛出多少对”重建它对应的人群、分母和筛选范围。

两万行的小示例在本机即可算完。扩展到多队列、多组织和多种条件时,可以把原始概率表、假设键与家族定义一起放到云生信科研服务器租赁批量核对,让每一列校正结果都能追溯到当初声明的范围。

把知识用于当前任务

下一步可以直接开始分析

按研究目标查找在线工具、课程、计算资源或完整分析服务。

按目标找方案仍有疑问,联系客服 ↗