把两个基因沿拟时序画成平滑线,看哪条先从底部抬头,似乎就能给出调控先后。可曲线左端抖一下算不算启动?若某个基因的最高点落在最右边,而那里只有三颗细胞,还能说它恰好在终末状态达到峰值吗?这篇把这两个疑问放进一份可重算的分叉数据,运行 tradeSeq 拟合每支的表达曲线,同时把原始条码和独立供者在每一段的数量放在图下。读者可以替换“升高”的定义,检查答案对定义和数据覆盖有多敏感。

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)
先判定哪些细胞参与哪条曲线
四位模拟供者共有四百四十二颗,表达数据保留五十六个基因的未变换整数计数。先用固定的二维状态嵌入和细粒度标签运行 Slingshot,指定共同前体为起始簇,得到两个末端的拟时序以及每颗细胞在各分支上的权重。将两条路径按甲、乙末端对应后,再把原始计数、拟时序与权重交给 tradeSeq。共同前体可以同时为两支提供支持;不能为追求每个条码只出现一次,强行将早期细胞划到某一条支上,否则两条曲线分叉之前的共同信息会消失。
正式项目需先核对分支是否在不同供者或合理的聚类粒度下都能找到。轨迹算法若把两个不相干的谱系因批次校正而连到一起,再精细的平滑也只会把这条人为连接画得更加顺畅。这里保存谱系成员、根、细胞索引和原始计数;跑模型之前先检查三张表的顺序一致,避免某颗细胞的表达配上另一颗的拟时序。表达矩阵使用原始计数,图上显示的是拟合均值。把已经缩放到有负数的基因热图当作模型输入,会改变分布假设和数值含义。tradeSeq 的模型拟合教程
python -m pip install -r requirements.txt
python run.py --input example --out results
Rscript fit_tradeseq.R example example/fit
五个节点与六十个预测点,各做一件事
每个基因拟合一套负二项广义加性模型,两支分别有随拟时序变化的平滑项。本例显式给入供者设计矩阵,使用五个样条节点和固定随机种子。模型完成后,在每支的观察范围内取六十个预测位置,画出基因的拟合表达。五个节点控制曲线允许的复杂程度,六十个网格点只是把已拟合的函数画得足够连续。将六十改成六百会令图线更平滑,不能创造新的细胞、增加末端的独立供者或把真实启动时刻定位得更精确。tradeSeq 原始研究
set.seed(66)
fit<-fitGAM(counts=x,pseudotime=pt,cellWeights=w,nknots=5,
U=model.matrix(~factor(tab$donor)),verbose=FALSE,parallel=FALSE)
focus<-c("A_EARLY","A_LATE","B_EARLY","B_LATE","MID1","EARLY1")
curves<-predictSmooth(fit,gene=focus,nPoints=60,tidy=TRUE)
assoc<-as.data.frame(associationTest(fit,lineages=FALSE))
查看拟合记录,五十六个基因在这次模拟里都收敛,并给出五十六项整体沿程关联的多重校正。实际数据若某些基因在支路上几乎全为零、模型未收敛或过度拟合,应把这些情况列为无法可靠解释。沿程关联检验说明曲线是否偏离一个简单的无变化趋势;它没有直接检验“甲基因比乙基因先启动”,也不能把两个基因各自的显著性强弱解释成启动时间的先后。需要这种时间差推断时,应另外定义其估计量和不确定性,并检查细胞、供者与轨迹估计产生的误差来源。
预先约定“升高”是什么意思
本练习采用一个可手算的描述量。先找曲线最左端的拟合值,再找观察范围内的最大拟合值。两者差的一半加回起点,得到半幅位置对应的目标表达;记录曲线第一次达到该水平的网格点。若峰值没有高于起点,不给它编造“第一次上升”。输出同时有幅度、峰值及峰值位置,便于区分一个略有波动的低表达基因和一个明显增强的基因。遇到双峰曲线,第一次跨过半幅与最高峰完全可能在不同阶段,读者可按研究问题增设最小幅度或持续多个点的准则。
def rise_window(times,values):
t=np.asarray(times);v=np.asarray(values);amplitude=float(v.max()-v[0])
if amplitude<=0:return None,None,float(t[np.argmax(v)])
cross=np.flatnonzero(v>=v[0]+.5*amplitude)
return float(t[cross[0]]),amplitude,float(t[np.argmax(v)])
为了让图上小数容易读,每支从零到其最远观测范围做线性缩放。甲支早标记第一次过半幅在约零点四二四,峰在约零点五二五;甲支晚标记过半幅在约零点八六四,拟合最大值在右端。乙支对应的早晚半幅位置约零点四五八、零点八三一。这样可以说,在各自支路的这套描述规则下,早标记先出现明显上升。不能由此声称甲支的零点四二四比乙支的零点四五八早了某个小时数。两条路径各自的长度不同,真实速度、分叉位置和采样密度也未必一致。
| 分支与示范基因 | 首次达到半幅 | 预测峰位置 | 读图时应问 |
|---|---|---|---|
| 甲支早标记 | 0.424 | 0.525 | 峰前后是否都有细胞 |
| 甲支晚标记 | 0.864 | 1.000 | 峰是否碰到观察边界 |
| 乙支早标记 | 0.458 | 0.559 | 不同供者是否都覆盖 |
| 乙支晚标记 | 0.831 | 1.000 | 末段究竟有几颗细胞 |
画低处的柱子,再读高处的曲线
图的下半部把每条分支的相对拟时序切成十个等宽区间,统计分支权重至少零点五的条码数,同时记录各位供者的贡献。这个门槛只决定图下方的描述性计数,模型拟合使用原始连续权重。若只把“高置信”的细胞送进模型,尤其容易移掉共同前体和分叉附近的过渡细胞。另一方面,只画所有细胞的黑色短线而不标明分支权重,又可能让人误以为另一支的细胞也在支撑这条曲线。把这两项选择分别写入图注能减少误读。
甲支最后十分之一有二十五颗,四位供者分别贡献七、五、六、七颗。乙支同一相对范围却只有三颗,来自前三位各一颗,第四位完全没有覆盖。两条晚标记曲线的最大值都在右端,可证据密度相差很大。准确的表述是“在已观察的范围内继续增加,最大拟合值出现在最后一个网格点”。没有更晚的测量,无法确认这个位置就是生物学峰值,也无法断定曲线会持续上升。乙端的三颗值得画出原始计数、深度和取材信息,避免一个异常条码主导漂亮的尾巴。
自己的基因怎样改进验证
先挑两个有独立生物学依据的时间标记,把它们当作方向参照,再查看研究中的新候选。换合理的节点数时,保持细胞与分支定义固定,比较早晚顺序、峰值所在的区间及末端趋势是否复现。若只是增加少数节点就让启动次序倒过来,或去掉单名供者就让峰消失,给实验合作方的答案应该包含这个范围。若已有实际采样日,可把拟时序与真实时间并排,看假定更早的基因是否在同一个体更早的实际样本中出现;这一步往往比单纯缩小图中平滑带更有解释力。
正式图稿还可以附一张简短的记录,列出哪些基因收敛、哪个位置用什么规则定义、是否触及观察边界、末端有几位患者。若读者想追问谁更早,把原始分支表与六十个预测值给他,就能复算半幅、比较另一种阈值,并找出结果变化发生在哪一段。对调控因果问题,还需要扰动、时间分辨或其他独立证据。把可以由曲线回答的“沿指定路径哪段较高”和需要实验的因果先后分开,后续验证更容易有明确目标。
这个小矩阵足以在个人电脑复核。对整批真实基因和不同节点数反复拟合时,可以把相同的供者设计、原始计数及分支权重带到云生信科研服务器租赁,每次同时保留预测曲线与实际覆盖表。
