合作者发来一个标准单细胞表达矩阵,希望再画一张带方向的 RNA velocity 图。手头的每一格只告诉你某个细胞里某个基因有多少计数,却没说明这些分子分别被判作已剪接还是未剪接。如果一个总数是七,可能由六加一得到,也可能由二加五得到。只看七,不能唯一还原两个过程。这篇用真正含双层的公开小鼠胰腺数据,演示先怎样找输入、校准条码,再画两个基因的原始相图;做完便能具体指出自己手中的材料还缺哪一步。

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)
为什么两个同维矩阵比一张总表达图多了信息
经典 RNA velocity 利用未剪接和已剪接转录本的相对信息,在假设的生成、剪接和降解模型下估计表达状态的短期变化。相图的横纵轴因此要分别对应同一细胞、同一基因的两类观测。普通基因表达对象中的原始计数、归一化层、按基因标准化层虽然也可能有相同维度,却都是从同类表达信息变换而来。把归一化矩阵复制一份改名成未剪接,或把细胞的内含子比例均匀分配到各个基因,并没有增加真实的逐分子分类证据。La Manno 等的原始研究
打开自己的对象先列出实际存在的层,回查使用的软件、参考版本、建库化学以及导出记录。名称叫“原始计数”仍不足以说明是否包含内含子,也不足以区分外显子计数与已剪接分子。不同计数工具对跨边界读段、歧义分子和多个转录本重叠有各自的判定规则。若交付只有表格,首先向项目记录索取对应的分层对象或计数输出。若仍有按规范产生的比对文件和参考注释,可在保留细胞条码和分子标签的前提下重新分类;实际命令要配合物种、比对方式、文件布局及所用工具版本。velocyto 官方计数说明
python -m pip install -r requirements.txt
python run.py --input example --out results
# 取得完整公开对象后,可自行重复提取五个基因
python extract_pancreas.py endocrinogenesis_day15.h5ad --out rebuilt
用一份知道来路的胰腺数据做练习
示例来自 scVelo 官方胰腺教程使用的对象,完整文件有三千六百九十六个条码和二万七千九百九十八个基因,包含已剪接和未剪接两层,以及导管、内分泌前体和不同激素细胞的注释。本文只提取五个基因的两层原始整数,把所有条码保留下来,没有根据非零结果预先筛掉观测值。这样一来,读者可以数清各层都是什么比例的零,也能看出真实发育标记在一种层上非常稀疏。下载包的来源文件有完整对象的校验值与提取脚本,真正做全局速度分析时仍应回完整输入。原始胰腺发育研究 · scVelo 官方胰腺示例
为让对齐错误变得具体,我们在导出时故意把未剪接表的行顺序反过来,没有改变任何分子数。两份表仍然都是三千六百九十六行乘五个基因,数值也都非负。若只检查形状后按位置配对,同一位置的条码竟然零个相同。把条码作为唯一键、基因标识作为第二个键,检查重复、条件范围和两侧集合,再按主索引取数,全部三千六百九十六颗才重新配回。真实多批次数据还常见相同十六位条码在两份文库中重复,连接键应带上捕获或文库身份。
def keyed_layer(path):
with path.open(encoding="utf8",newline="") as h:
reader=csv.DictReader(h,delimiter="\t");genes=reader.fieldnames[1:];records={}
if len(genes)!=len(set(genes)):raise ValueError("Duplicate gene identifiers.")
for row in reader:
b=row["barcode"]
if b in records:raise ValueError("Duplicate cell identifier: "+b)
v=[int(row[g]) for g in genes]
if min(v)<0:raise ValueError("A count is negative.")
records[b]=dict(zip(genes,v))
return genes,records
把“有两层”再拆成逐基因的四个格子
有两张完整矩阵,不代表每个基因都适合估计动力学。对每个基因分别统计已剪接非零、未剪接非零、两层在同一细胞中都非零和两层都为零。Cpe 的已剪接非零有二千一百三十颗,未剪接非零一千四百五十四颗,其中一千三百七十六颗两者都非零。Neurog3 则有一千五百六十九颗测到已剪接,只有七颗测到未剪接,同一细胞两层都非零的只有六颗。两者在同一组织、同样的条码集合中,有完全不同的双层支撑。
| 基因 | 已剪接非零 | 未剪接非零 | 同一细胞两层均非零 | 两层都为零 |
|---|---|---|---|---|
| Cpe | 2,130 | 1,454 | 1,376 | 1,488 |
| Neurog3 | 1,569 | 7 | 6 | 2,126 |
| Gcg | 827 | 199 | 195 | 2,865 |
| Ins1 | 821 | 9 | 8 | 2,874 |
这张表也回答了另一个高频疑问。胰腺内分泌发育中一个重要的标记,可以在普通表达图上很亮,同时在本数据的未剪接层非常稀疏。标记对细胞命名的重要性,与它在当前测量中能否稳定估计剪接动力学,是不同的问题。若忽略未剪接支持,只凭生物学常识指定十个知名基因去画方向,可能会优先把最缺数据的一批送进下游。更好的办法是把入选、排除、覆盖不足及具体理由逐基因保存,并核对各细胞类型中这些计数来自哪些条码。
相图怎样读,怎样识别证据的边界
随文图把每一颗已对齐的细胞画为一点,横轴为已剪接原始计数取一加对数,纵轴为未剪接原始计数取一加对数,颜色用原对象的细胞大类。取对数只是作图刻度,使高计数点不至于挤压整个画面;原始数值留在下载的长表里,可以手工复算。Cpe 有较多两轴均有值的观察,适合进一步查看不同阶段是否覆盖可能的诱导与抑制状态。Neurog3 的大部分点贴在横轴上,多种颜色叠在一起也无法补充缺失的未剪接观测。对这种图区分“计数不足”与“基因没有生物学变化”很重要。
def align(s,u,meta):
if set(s)!=set(u) or set(s)!=set(meta):raise ValueError("Layer barcode sets differ. Audit missing and excess IDs first.")
return sorted(s)
若把完整对象交给速度模型,通常还要考虑基因过滤、归一化、邻域平滑、拟合质量和假设。对感兴趣的基因应同时查看原始相图与模型拟合,检查趋势是否只由很少的特殊细胞决定,是否跨不同取材或分化阶段得到支持。邻域平滑后的数值不是原始观测,不能将某颗细胞因邻居而获得的非零值写成该细胞真的测得一个未剪接分子。二维箭头还依赖向量如何投影到所选嵌入,某处箭头漂亮也不能独立证明两类细胞之间发生了实际转化。
拿到自己的交付,下一步如何判断
重新计数前还可以向测序平台要一份建库和测序说明。将化学版本、单细胞或单核、是否富集成熟转录本写进同一张表。不同材料里未剪接分子的比例本来就可能有差异,同一个筛选阈值会保留不同的基因;把这些差异记在相图旁边,才方便别人追溯筛选的依据。
若完整对象已含两层,可先选研究基因和一个双层覆盖较好的对照,按本文顺序核对条码集合和相图。若只有普通矩阵但留有带标签的比对文件,应回查所用参考、比对参数、条码与分子标签,保存重新计数的命令、注释文件校验值和与原对象的交集。若只剩表达矩阵,仍可研究表达梯度与状态相关性,同时把需要动力学输入的问题标为待补;不能从同一总计数的任意拆分中恢复未观察的剪接过程。将手头资料盘点清楚,有时比先找一张参考论文的流线图更快。
最后再核对一个小细节:把公开文件中未剪接表的行改回正常顺序重跑,按键连接后的计数、逐基因四格及图应完全一致。若只是调一下行顺序,某个基因的相图形状就变了,首先修复连接逻辑。随文小表可以在普通电脑上复核;要在多份大型比对文件上重新计算两层并检查全基因组时,可以把相同的参考和条码清单放到云生信科研服务器租赁分样本运行,再将结果按键接回原分析对象。
