同一个肺癌患者的癌旁组织观察到一百一十六个 T 细胞克隆,肿瘤中只有五十五个。这个差距看起来不小,直到你注意到两边分别测到了多少条链完整的细胞:癌旁一百二十三颗,肿瘤五十八颗。从两边各抽三十颗细胞再数,克隆数的中位数变成三十和二十九。另一个肾癌患者在相同深度下却仍差十个克隆。本篇让你用同一份真实链表重算这两种情形,看看什么时候“克隆多”只是更容易被采到,什么时候还伴随着明显不同的扩增结构。

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)
先限定一个能比较的克隆定义
材料取自 Wu 等多癌种研究的公开教学子集。只选肿瘤与癌旁组织,保留两条生产性 αβ 链都能唯一确定、核苷酸、氨基酸和 V/J 信息齐全的条码,再以配对的连接区氨基酸定义克隆。在患者和组织内部计数。不能把不同患者刚好相同的克隆键先合并,再问哪个组更丰富;也不能对一组用单链、另一组用双链。下载包提供一千五百五十一颗实际入组细胞的两条链,可以从最基础的序列开始重算,而不必信任软件自动生成的克隆编号。Wu 等原始研究
这份数据已经选过能读到受体的细胞,进入本例还要求完整且不歧义的双链,因此两组链恢复率不同也可能影响组成。抽样所用的分母是符合当前克隆定义的条码数,不是组织中所有淋巴细胞数、更不是 RNA 对象的总细胞数。换项目时可单独保存哪些条码因缺少一条链或多条链而被排除。如果差异主要来自某种状态更难恢复双链,统一深度只能纠正观察条码数的差异,不能把原本没有测到的那批状态补回来。
多样性需要先交代是怎么算的
最直观的丰富度是观察到多少种不同克隆。两份样本都观察到十种,但第一份十种各占十分之一,第二份几乎被一个克隆占满,生物学含义显然不同。我们同时给出三种可在一个尺度上理解的量。零阶有效克隆数就是丰富度;一阶是香农熵取指数,既关心常见克隆也保留对较低频克隆的敏感性;二阶是各克隆频率平方和的倒数,当头部克隆占比很大时下降更明显。它们都可理解成一个等频群体要有多少种克隆才能达到相当的多样性,较方便向实验同事解释。
def diversity(codes):
frequencies=np.bincount(codes)
frequencies=frequencies[frequencies>0]/len(codes)
return len(frequencies),float(np.exp(-sum(frequencies*np.log(frequencies)))),float(1/sum(frequencies**2))
读代码时特别注意分母。频率来自当前一次抽出的细胞,先数每个克隆贡献了几颗,再除以这次抽中的总数。不能先给每种克隆保留一行,再对这些行作等概率抽样;这样会使所有克隆等权,主动抹掉扩增信息。也不要只随机打乱克隆的名称,那样每个克隆的频率都没有变化,生成出来的许多次“模拟”其实都在重复同一个数字。最简单的自检是拿一个占九成的克隆和几个单例作手算,一阶、二阶有效数应低于原始丰富度。
同一患者、同一组织内抽三百次
每次不放回抽三十颗合格细胞,重新计算三项指标,然后把细胞放回原样本供下一轮独立抽样。固定种子以便今天和明天运行相同命令能得到相同表格。不同供者和组织使用分开的随机数流,不会因为在一位患者前多插入几行数据,就把另一个分组中每次的抽样轨迹完全混淆。每份样本有多少可抽的细胞要先检查,少于三十颗直接标记;从五颗细胞有放回地“补”成三十颗,会把对五颗细胞的重复测量伪装成额外观察。
def rarefy(codes, depth, repeats, rng):
if len(codes)<depth:
return []
return [diversity(codes[rng.choice(len(codes),depth,replace=False)]) for _ in range(repeats)]
十四位患者各有两种目标组织,所以结果中总共列二十八行。十八份达到三十颗门槛,各抽三百次,一共得到五千四百行逐次结果。仅六位患者的两种组织都达到门槛,可以报告这个深度上的成对差。其余患者也在输出中,保留一侧可用或两侧都不足的事实。升高抽样深度能让每份样本见到更多低频克隆,却会排除更多细胞少的患者。降低深度能留下更多对样本,但会让本来就少见的克隆更难出现。应根据实际覆盖和研究问题预先确定一组合理深度,再把各深度的入组患者一起列出。
| 真实样本 | 起始条码数与原始克隆数 | 每次抽三十颗的丰富度中位数 | 第十至第九十百分位 |
|---|---|---|---|
| Lung3 癌旁 | 123 颗,116 个 | 30 | 29 至 30 |
| Lung3 肿瘤 | 58 颗,55 个 | 29 | 28 至 30 |
| Renal2 癌旁 | 86 颗,77 个 | 28 | 27 至 30 |
| Renal2 肿瘤 | 52 颗,29 个 | 18 | 16 至 20 |
去看两种差异有没有同一个成因
Lung3 在原始表里相差六十一个克隆,统一抽样后两边都很接近三十种,说明在这个深度里许多条码属于不同克隆。原始数值并没有算错,只是两份样本给了发现新克隆不同的机会。Renal2 肿瘤每次抽三十颗却大约只能看到十八种,二阶有效克隆数的中位数约九点一八,癌旁约二十六点四七。几种常见克隆在肿瘤样本里反复被抽中,能同时解释丰富度与二阶指标的差异。要进一步解释是哪些克隆、带什么状态,则要追到其成员表达或独立实验;多样性指标本身不识别抗原特异性,也不提供细胞迁移方向。
这两例还告诉你,汇总时不要把每次重复的指标当成来自一位新患者。肾癌这份肿瘤样本的第十及第九十百分位是固定现有五十二颗细胞之后的抽样波动,不能称为肾癌人群的置信区间。患者层应各自形成一个组织内汇总,比较同一个人的两处材料,再在多个独立患者之间总结方向或建立与设计相符的模型。同样要留意癌种、解剖部位和取材方式;本例把多个癌种放在一起专门演示算法,不能据六对教学样本概括所有癌种差异。
python -m pip install -r requirements.txt
python run.py --input example --out depth30
python run.py --input example --out depth20 --depth 20
python run.py --input example --out depth40 --depth 40
换深度后,哪些结论值得保留
还可以加一道边界测试。如果某份样本正好三十颗、抽样深度也设为三十,在不放回条件下,每轮都必须抽到完全相同的细胞集合,三个指标也应完全一致。若出现明显波动,检查抽样函数是否误用了放回模式,或在计算克隆键时又做了随机选择。
把上面三组输出按患者对齐,先检查哪些人始终参与,再看同一人的方向有没有变化。建议同时给出原始条码数、覆盖的不同克隆数、三个同深度指标和是否通过资格门槛。读者还能根据压缩包内的逐次表换用中位数或指定百分位重新作图。若样本的扩增结构特别不均,即便抽相同细胞数也可能有不同的样本覆盖度;估计尚未观察的稀有克隆是另外一个问题,可以在数据支持时采用基于覆盖度的比较,并交代额外假设。Chao 与 Jost 的覆盖度比较
最后回到起初的问题。报告“哪一组更多样”时,给出患者对、固定深度、对应指标和在这个深度能回答的范围,读者就能判断差别来自可观察细胞数还是克隆丰度分布。小型真实链表可直接在电脑上跑完;遇到多个组织、多个深度以及成千上万轮重复抽样时,可以把冻结的克隆定义、随机种子和每次抽样输出存到云生信科研服务器租赁上,便于以后按同一患者重新核查。
