单细胞分析

稀有细胞的开放峰在全样本里看不见,按细胞类型找峰能找回来吗?

作者:发布于 2026-11-17约 8 分钟阅读
十八颗稀有细胞按群找回一个在合并文库中未成峰的区间,各供者都有六颗细胞支持

拿到一份单细胞染色质数据,你在某个稀有细胞群的覆盖图上看到一个小尖峰,回到全样本的峰表却搜索不到。这里有两种常见的误读。一种是认定全样本没有调用这个峰,说明那些细胞没有开放过它。另一种是认为稀有群单独调用到了,就可以称为该类型特有的调控元件。两种说法都跳过了一步:峰表记录的是某个文库和局部背景下通过判定的区间,原始片段究竟来自哪几颗细胞、几位供者,要另外查。我们准备了三处可以对照的坐标,让这一步看得见。

十八颗稀有细胞按群找回一个在合并文库中未成峰的区间,各供者都有六颗细胞支持

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)

在可以复核的文库里藏入两种不同的信号

练习使用三位模拟供者,每人一百个常见细胞和六个稀有细胞。基因组是一条长一百万碱基的虚拟染色体,名字叫 chrSim。每个条码有分散在背景上的片段,并在一处共同位置有一定集中。另有一处区间,常见细胞的片段分散在一段较宽的背景中,稀有细胞则各贡献一个靠近中心的位置。最后一处给第一位供者的稀有细胞加入较密的片段,另两人没有得到这个额外信号。这些设计和随机种子都写进生成脚本,方便读者知道自己究竟在检验什么。

先读条码表,确认三位供者在两组都有成员。合并时保留供者,尤其不要让不同文库里恰好相同的短条码被覆盖成一条。片段表使用左闭右开坐标,每一条代表一个去重后的片段记录。我们在一个细胞内去除了完全相同的染色体区间和条码组合;不同细胞偶然出现相同端点仍可各保留一次。第五列在此示例里都是一。项目中若文件还给出了支持该片段的重复读段数,先约定是否研究去重片段,别一边按行去重、另一边又将重复读段全部加回来。

同一批片段,实际建立三个峰表

把全部细胞放进第一个文库,第二个只取常见群,第三个只取稀有群。三个文库都按成对片段交给 MACS3,使用相同的有效基因组大小和显著性阈值。三列输入中保留了片段的两端,程序在这种模式下使用给定的片段范围。这里将模拟染色体的实际长度写进命令,是为了使背景模型与示例规模一致;换成人类或小鼠时,必须根据参考和方案处理有效基因组大小,不能沿用这个方便练习的数值。MACS3 成对片段模式

python -m pip install -r requirements.txt
python run.py --input example --out results
# 如果同时安装了 MACS3,可从示例片段重新生成三个峰文件
python call_peaks.py --input example --out example/fit
python run.py --input example --out results_refit

下面的函数用真实坐标比较两个区间。只要有至少一个碱基重叠,就记为目标区间内调用到了峰。若两个区间仅端点相接,没有任何共同碱基,应记作没有交集。此处比较的是预先写好的三个窗口;当项目里成千上万的峰需要匹配时,还要处理一个窗口重叠多个候选、宽峰覆盖多个窄峰的情况,保留所有匹配名称与边界,才能分清“同一位置有开放”与“两次调用得到了同一边界”。

def overlaps(table, chrom, start, end):
    return table.loc[table.chrom.eq(chrom) & table.start.lt(end) & table.end.gt(start)]
预定检查区间 全样本峰 常见群峰 稀有群峰 稀有群分供者情况
共同区间 有 有 有 三人各六颗有片段
中间候选 无 无 有 三人各六颗有片段
单供者候选 有 无 有 六颗、零颗、零颗

为什么片段最多的一组仍没有一个峰

打开中间窗口的支持表,会看到一个看似矛盾的现象。常见细胞中,三位供者分别有一百三十五、一百三十二和一百三十五个片段碰到这个窗口,远多于稀有群每人仅六个。可这个区间在常见群没有单独成峰。回到四十碱基宽的分箱就明白了,常见群周围本来就有较高而分散的覆盖;稀有群的少量片段却集中在很窄的范围内。峰调用比较信号形态与背景。若只拿一张总数条形图就断言哪一类有峰,丢掉了位置分布这条决定性的证据。

进一步把标准化曲线旁边的原始片段数也列出来。稀有群的一百个标准化单位可能只来自一两个片段,曲线看起来很高,不代表总支持量很大。覆盖表给出了每十万个该组片段的重叠数,同时存下原数,因此图的纵轴可以回溯。单个长片段可能跨过多个相邻窗口,逐箱的片段数不能直接求和再当作独立分子。对区间总数应回到未经切箱的片段表,用给定边界重新数。把这项口径写清楚,换一个人画图也能得到相同解释。

对最漂亮的尖峰,先问有几位供者

最后一处位置很适合练习质疑。全样本和稀有群都调用到了峰,第一位供者六颗稀有细胞合计六十一个片段,另外两位在同样窗口为零。若只展示合并组的一张曲线,它比中间候选更醒目。可复核时,应该把它记录成当前取样中仅有一位供者支持,并列出其余两人有多少稀有细胞、这些细胞总体片段多少。缺少覆盖可能来自取样不足、细胞状态或真正的个体差异。只有多名独立供者在相同定义下有机会被观察,才谈得上用新的实验区分这些解释。

import pandas as pd
support = pd.read_csv("results/donor_support.tsv", sep="\t")
rare = support.loc[support.cell_type.eq("rare")]
print(rare.pivot(index="locus", columns="donor", values="cells_with_support"))
print(rare.pivot(index="locus", columns="donor", values="fragment_hits"))

读者可做一次能改变结论的对照。先复制数据目录,保留原始参考输出,再在条码表中换一个按组定义,使用与它相符的片段子集重新调用峰;或者在生成脚本里降低第一位供者单独位置的片段数,重建模拟数据。检查新峰表、逐供者支持和峰宽能否给出一致的变化。若想考察稀有组是否只是深度太浅,应在相同过滤和抽样规则下重复多次,记录候选出现频率以及相邻背景的起伏。仅抽到一次看起来满意的曲线再停止,会把抽样波动错当成验证。Signac 的分组调用示例

还有一个值得专门跑的对照是改变分组的粒度。将三个供者的稀有细胞各自单独调用峰,每个小文库只有六个条码,未能达到找峰门槛很常见。此时仍然可以从组别合并得到的候选出发,在固定坐标上逐人统计片段。前者考察极低深度下能否独立发现一个峰,后者考察已经给定位置之后是否有覆盖,两者的发现机会和假阳性来源并不一样。汇报时可同时给出这两个结果,并说明哪些坐标只是发现阶段提出、哪些样本真正参与了验证。

如果打算从候选进入差异开放分析,先冻结完整候选集,再把所有样本投到同一组窗口。某位供者在自己的峰表里没有这条记录,仍要从他的原始片段计算相同窗口的值;只有实际计数结果为零时才可以填零。下游按供者汇总,同时记录共有几个供者可以参与检验。用同一批细胞发现候选又检验候选会引入筛选效应,资源允许时可以预留部分供者复核,拆分名单和复核结果都应随图存档。

在自己的数据中,我会把三层证据放在同一页:谁调用到了峰、各供者在固定区间有多少条码支持、局部曲线能否在多个独立样本重现。还可以在下方附上基因组浏览器坐标和使用的黑名单版本,方便实验同事回头检查重复区域和定位偏差。有人问这个位置值不值得继续做时,这张表能说明追踪的是一个跨供者候选,还是值得另行调查的个体特征。等到需要对更多细胞类型、供者及降采样重复重新找峰时,再按实际片段量和并行文库数选择云生信科研服务器租赁。

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 ↗