基因旁边出现一个开放峰,把细胞按这个峰是否检出分成两组,目标基因的平均表达也不同。能在文章里写“发现了增强子”吗?我们取了外周血里很熟悉的 MS4A1,挑出它附近十五个实际检测到的峰。表面上最漂亮的一个,在所有细胞中相关系数超过零点五,缩到同属 B 系的一批条码后只剩零点一三五。这个落差很具体:同一个位点和同一个基因都没变,改变的是拿哪些细胞互相比。读者可以从原始计数、逐峰对照和真正的片段落点复查它。

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)
把基因、区间和细胞身份分开定义
练习用十倍基因组公司公布的 PBMC 配对多组学。每颗细胞同时有 RNA 和 ATAC,条码的交集在读取矩阵时确定。我们用 CD79A 以及 T 系、髓系标记把细胞分成 B 样、T 样和髓系样三组,每组抽三百五十颗。特意在分组时拿掉了要研究的 MS4A1。若规定“MS4A1 阳性才算 B 细胞”,接着在 B 细胞中分析同一基因,分组规则会先截断它的表达分布。未进入三组的细胞也没有被宣称是低质量,只是缺少本练习指定的标记组合。配对实验的数据和下载入口
按照原矩阵的参考,目标基因在十一号染色体。我们预先取六千零三十万到六千零六十万碱基的区域,在所选细胞中达到最低检出比例的有十五个峰。另从其他染色体选取四千个可检出的背景峰。基因所附的参考区间、峰坐标、总 RNA 和总峰计数都随包提供。这个局部窗只是一次可改变的搜索边界,窗口以外有可能存在远端调控,窗口以内也可能出现转录起始区域、邻基因的调控区或普遍开放序列。距离只能说明接下来查哪一行,不能代替功能实验。
同一条码里,把深度与相关分别算出来
先用完整 RNA 文库大小校正 MS4A1 的原计数,再取对数。对于每个峰,这里用是否有峰计数表示该细胞有没有观测到这个位置。随后把基因表达排成秩,对目标表达的秩与峰的二值向量分别去除两种对数深度的线性趋势,再计算剩余部分的相关。二值量的秩与它本身相差一个线性变换,因此能保留并列值的含义。浅测序里没观察到片段不能证明该位点在这颗细胞内真实关闭,这也是逐峰记录阳性条码数的原因。对细胞数相同但可检出条码相差很大的两个峰,只看相关大小往往会选出不稳定的候选。
def adjusted_correlations(counts, cells):
expr=np.log1p(10000*cells.MS4A1.to_numpy()/cells.total_rna.to_numpy())
design=np.column_stack([np.ones(len(cells)),np.log1p(cells.total_rna),np.log1p(cells.total_peak_counts)])
q,_=np.linalg.qr(design)
y=rankdata(expr)
y-=q@(q.T@y)
accessible=(counts>0).toarray().astype(float)
# For a binary vector, its rank is an affine transform of the original indicator.
x=accessible-q@(q.T@accessible)
denom=np.linalg.norm(x,axis=0)*np.linalg.norm(y)
return np.divide(y@x,denom,out=np.full(counts.shape[1],np.nan),where=denom>1e-8)
python -m pip install -r requirements.txt
python run.py --input example --out results
若怀疑主要是谱系差异,我们把完全相同的算法在三百五十颗 B 样细胞内部再运行一次。最强的混合组峰位于 chr11 的 60455290 至 60456088。全体有一百三十颗条码检出,其中一百二十七颗来自 B 样组。只看这两个数就能理解,混合组里很容易出现峰与 B 系标记同步升高。群内相关有所保留,但系数明显缩小。对另一个位置,混合组相关约零点三六八,B 样细胞内降到零点零七四。不能把两套估计里任意一个当作“真正”的效应;两者测试了不同范围内的共变,都应该说明人群。
| hg38 的 chr11 峰 | 所有细胞相关 | B 样群内相关 | 可复查的判断 |
|---|---|---|---|
| 60455290–60456088 | 0.518 | 0.135 | 近端信号很大一部分随谱系改变 |
| 60498212–60499391 | 0.368 | 0.074 | 群内比对应背景优势也减弱 |
| 60396248–60397424 | 0.221 | 0.144 | 在群内的排序升高,仍需看背景及覆盖 |
给候选配一组同样容易被测到的参照
拿一个经常开放的长峰与完全测不到的短峰比较,很容易给前者制造优势。脚本对每个局部峰,在非十一号染色体上按峰长、检出细胞的比例和平均峰计数寻找五十个接近的参照。两套细胞范围分别匹配,各自使用自己的检测频率。随后记录有多少个背景相关大于或等于候选相关,连同一个小样本修正,形成可以复核的经验尾部。五十个背景使这个值最细也只能到五十一分之一;它适合提醒哪些结果在类似峰中并不突出,不能当成已经完成多重检验的发现率。
def match_background(peaks, counts, n=50):
frequency=np.asarray((counts>0).mean(axis=0)).ravel()
mean=np.asarray(counts.mean(axis=0)).ravel()
width=np.log1p((peaks.end-peaks.start).to_numpy())
features=np.column_stack([frequency,np.log1p(mean),width])
scale=np.maximum(features.std(axis=0),1e-10)
bg=np.flatnonzero(peaks.kind.eq("background"));local=np.flatnonzero(peaks.kind.eq("local"))
return {i:bg[np.argsort(np.sum(((features[bg]-features[i])/scale)**2,axis=1),kind="stable")[:n]] for i in local}
靠近基因的第一个示例,在混合组的五十个参照里仍有峰表现接近,尾部约零点零三九。在 B 样群内,对照中的高相关更少,尾部接近零点零二。相关的绝对值变小,和对照相比的名次却能升高,这两件事完全可以同时发生。另一个位点群内尾部约零点三一,对它的优先顺序就要更谨慎。正式工具还可把碱基组成等背景因素纳入。我们提供的教学实现没有测量 GC,若所选区域的序列组成很极端,优先补上参考基因组和 GC 匹配再讨论候选。Signac 的 LinkPeaks 背景定义
看见原始片段,再提出可以检验的实验
包里另外附了三千一百三十七条真实片段,它们来自同一公开实验,与这段区间和这批条码都有交集。提取脚本使用原文件的索引按坐标取数。作图时把两端切口分别放进二百五十碱基的箱,按每个细胞群在全峰矩阵中的计数作归一,同时保留每箱物理切口数。另一个输出则按已调用峰汇总矩阵计数。这两份文件各自回答一个问题:前者能看到峰之间及边缘的原始信号,后者对应关联分析中实际进入的特征。若一行候选相关很高,覆盖图却主要由少数条码或异常尖点贡献,就应回到片段和条码层级追查。
自己可以将第一与第三候选打印到同一页,分别标出和目标基因的相对位置、群内检出数、背景名次以及已知转录起始区是否与之重合。若本身处在启动子附近,描述为近端开放区就很准确,贸然一律称为远端增强子反倒会模糊实验设计。对真正想验证的区间,可在表达目标基因的细胞背景中用独立的干预手段检验,同时测量目标及相邻基因并设置适当对照。跨供者重复、峰和基因同向变化、匹配背景后仍靠前,都是排实验次序的依据,哪一条都不能独立证明方向性。
准备交给实验人员时,最好在候选卡上同时写下允许推翻当前判断的结果。例如,若在多个独立供者中,群内关联反复接近零,而且原切口主要集中在相邻基因的已知起始位置,就应调低对原目标的优先级。相反,某个较远的候选如果在相同亚群、相近深度及另一供者的样本中仍有可复现的局部信号,可以优先做针对性的验证。保留那些被排在后面的候选及排除理由,有助于解释为什么一个在散点图上很显眼的位置没有被直接送去实验。
另一种可以自己重算的情形,是将 B 样组按总峰深度平分成两半。在每一半里重新查候选究竟有多少开放条码,再分别估计相关和背景名次。两个很小的系数不一定真的不同,尤其当其中一半只有很少细胞能观测到峰时,应报告门槛和条码数,并把统计不稳定与生物学异质区分开来。
在自己的项目里,建议把候选峰、相邻基因、正负表型、样本覆盖和待补证据放进同一张审阅表。先让一位不了解筛选过程的同事,仅靠条码和坐标重画两个最有希望的区域。被排在第二位的区域如果跨供者更稳定,往往比只在大样本混合分析中拿到第一更值得先做。等到要在大量基因和供者间重复匹配数千个背景峰、读取区间片段时,再按矩阵大小与同时运行的染色体数选择云生信科研服务器租赁。
