单细胞分析

治疗后少了一类细胞,两组 CellChat 网络怎样才能公平比较?

作者:发布于 2026-11-17约 10 分钟阅读
治疗前两个方向都涉及三种细胞群,治疗后缺髓系;三十六个组合中只有十六个可在两组中比较

两张细胞通讯图并排摆在一起,治疗前成纤维细胞和髓系之间连着几条醒目的线,治疗后整片扇区都空了。合作者准备把结果写成“治疗抑制了髓系通讯”。这时有一个比网络图更容易核对的问题:治疗后的表达矩阵中,到底还有多少髓系细胞?如果答案是零,软件连这一类接收细胞的表达均值都无法估计。把空白填成零再相减,能做出很整齐的减弱图,也会把取样缺口误算成一项生物学变化。下面用一份有意留下缺口的配对样本演示怎样把两件事拆开。

治疗前两个方向都涉及三种细胞群,治疗后缺髓系;三十六个组合中只有十六个可在两组中比较

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)

先给两个时间点各列一张人数表

随包数据模拟四位供者治疗前后的组织取材,共六百四十二颗细胞。治疗前有一百六十颗成纤维细胞、一百六十颗 T 细胞和一百二十颗髓系细胞。治疗后有九十六颗成纤维细胞、一百零六颗 T 细胞,髓系条码为零。仅从这些数值可以知道本次分析对髓系群没有治疗后观测。至于是组织中丰度确实发生变化、取材区域不同、髓系细胞对解离条件敏感,还是质量过滤或注释造成漏检,需要额外证据。先把各样本的接收细胞分母写进分析表,后面才有办法为各种解释找到对应材料。

若用真实项目,第一张表还应有患者标识、取材时间、建库批次、组织部位和细胞类型注释版本。用三个测试样本便能检查一个常见问题:治疗前叫“单核细胞”,治疗后叫“炎性髓系”,看似缺失的群可能只是词表没对齐。先定义在哪个层级比较,用保留原标签的新列映射到共同类型,再查标记是否支撑这次合并。有理由保持更细分类的状态照样保留在附表,这比把所有不同标签强行改成同一个名字更利于复核。

两次拟合使用完全一样的候选

练习在处理前、后两个矩阵上分别运行 CellChat,固定人类数据库里的四个分子对,用相同的标准化方法、群体表达汇总、置换次数、种子和群体比例设置。设定使用原始面板总量归一化后的表达,每个条件分别调用模型;每次完整拟合的网络保存在下载包中。这里的问题是已指定候选在两个条件中能否比较,没有声称四个候选代表完整配体与受体背景。用不同版本的数据库做两次自动筛选,再把筛选结果的并集直接当作差异,也会把“没有进入候选”与“确实估计为低”混在一起。CellChat 作者的多数据集比较示例

从原始结果看,处理前有三个发送群和三个接收群,乘上四个候选,一共三十六个组合。处理后只剩两个发送群、两个接收群,仍用同样四个候选,一共有十六个组合。比较时按发送者、接收者和分子对三个键匹配,允许方向颠倒后算成另一行,同时保留同群到同群的组合。这样一共仍有三十六行,但只有十六行在两个条件都有模型值,其余二十行至少一端涉及缺失的髓系群。输出中这些行的处理后值和差值都是缺测,以后导入绘图软件时也应保留。

def shared_edges(net, groups, pairs, before, after):
    index = pd.MultiIndex.from_tuples(product(sorted(set(groups[before]) | set(groups[after])),
             sorted(set(groups[before]) | set(groups[after])), sorted(pairs)), names=["sender","receiver","interaction"])
    result = pd.DataFrame(index=index)
    for label in (before,after):
        rows = net.loc[net.condition == label].set_index(list(index.names), verify_integrity=True)
        result[label] = rows.probability
    result["status"] = np.where(result[[before,after]].notna().all(axis=1), "shared", "group_missing")
    result["after_minus_before"] = result[after] - result[before]
    return result.reset_index()
这行数据的情况 下载案例中如何看到 可以说到哪一步
两群均有覆盖且完成估计 纤维细胞到 T 细胞的 CXCL12 与 CXCR4 比较同一候选的模型数值,再按患者复核
某个条件没有接收群 纤维细胞到髓系的 CCL2 与 CCR2 该条件无法估计这条边
群体都在但酌定数量不足 第四位治疗后仅三颗 T 细胞 保留描述,标记这位的配对覆盖不足
细胞群存在且估算为零 查看共有群中实际导出的零值 报告流程下的估计值和检出限制

拆开一条消失的线和一条仍可比较的线

先查纤维细胞到髓系的 CCL2 与 CCR2。治疗前模型给出约零点五四三,治疗后整组没有髓系。表中故意不写负零点五四三;如果后续热图只允许填数字,给缺测单元格单独配色或加斜线,在图例标出原因。迁移到自己的数据,不妨设置一条自检规则:缺群的任何一行都不能产生有限的差值。两边群体都有,但只是受体未读到,在结果中可以表现为估计接近零;拿到这类行时仍应回到原矩阵区分稀疏测量与更一致的低表达。

再查同一批供者的成纤维细胞到 T 细胞。CXCL12 与 CXCR4 的模型分值从约零点五六一到零点五四零,方向向下,但绝对变化很小。它是两个条件分别合并细胞后得到的模型量,取决于群体表达汇总和各次运行中的缩放。读者可以用这个结果去定位有兴趣的轴,想判断患者间的共同变化,还要逐份查看发送端和接收端。也不要把每个条件的细胞标签置换结果相减当作治疗效应检验;条件效应需要在符合研究设计的患者重复和配对结构上另作估计。

同一条轴,也未必四位患者都够比较

我们在每位供者、每个条件、每个端点中都要求至少十颗细胞。这是教学中约定的覆盖标准,放宽或收紧时都应公开。四位里前三位的发送和接收端在两个时间点都满足条件,第四位治疗后仅三颗 T 细胞,整批合计一百零六颗 T 细胞并不能替代这位患者缺少的观察。你可以把最低数量改成三再运行,把第四位接回来观察;也可以升到三十,检查是否连治疗后的成纤维细胞也不够。改变门槛后先重新计算可配对的供者数,再决定图题能否继续写“跨患者”。

def eligible_donors(meta, sender, receiver, minimum):
    pivot = meta.groupby(["donor","condition","cell_type"]).size().unstack(fill_value=0)
    decisions=[]
    for donor, part in pivot.groupby(level="donor"):
        sub=part.droplevel("donor").reindex(index=["before","after"], columns=[sender,receiver],fill_value=0)
        decisions.append((donor,int(sub.loc["before",sender]),int(sub.loc["before",receiver]),int(sub.loc["after",sender]),
                          int(sub.loc["after",receiver]),bool((sub>=minimum).all().all())))
    return pd.DataFrame(decisions,columns=["donor","before_sender","before_receiver","after_sender","after_receiver","eligible"])

打开另一个逐样本输出,前三位成纤维细胞的 CXCL12 原始均值都比治疗前低。第一位从约三点七三降到一点七九,第二位从三点二八降到二点零零,第三位从三点八五降到二点九六。它们是模拟原始分子数的均值,连同检出比例和文库覆盖一起读才有意义。受体要回到 T 细胞那一列另外核对,不能把配体降低直接写成双方作用都减弱。并且本次样本把刺激安排在两个状态中,改变的是输入设定,不能延伸为临床疗效的证据。

python -m pip install -r requirements.txt
python run.py --input example --out results
python run.py --input example --out relaxed --minimum 3
Rscript fit_cellchat.R example new-fit

如何交付一张别人能看懂的比较图

实际出图前也可以做一个很快的盲查。随机抽一条图中标为减少的边,请另一位同事只凭发送群、接收群和分子对去查原始网络。如果他在治疗后能找到确实计算过的值,再回到患者覆盖;如果整组都没有这类细胞,就应当在缺测清单中找到它。能否这样来回定位,是评估一张差异网络图是否可复核的直接检查。

主图可以仅画共同有覆盖的群对,给每条候选标明两侧的实际估计值,并用相同的线宽尺度。旁边保留一张群体覆盖图,列出可用于成对比较的供者和排除原因。若研究确实对髓系稀少本身感兴趣,可以另用细胞比例、组织计数或染色评估该变化,记录取样总量和参照群。这个问题有自己的分母和实验设计,不能凭网络差值替代。对于要交给实验同事的候选,附上具体分子、同一患者发送与接收端的检测记录,再说明哪些样本值得优先做空间或功能验证。

当合作者再追问“治疗后少掉的到底是什么”,就可以指向原始分母、共同群体的模型值和那位覆盖不足的患者,把图上每个空白的来由讲清楚。随包两组矩阵可在本机复算;扩展到多个时间点、重复抽样和大批细胞群时,可以在云生信科研服务器租赁上按条件保存同版数据库、拟合参数和原始群体表,再统一生成可比较的网络。

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 ↗