两个供者在同一位置都有开放信号,第一份峰表从一千到一千一百,第二份却从一千零四十写到一千一百五十。把两行都重命名成同一个区域,再把计数抄到一张表,看起来就可以比较。可第一位供者在附近还有一个与自己重叠的峰。原有两行的计数相加得到二百零四,回到片段表在共同区间重数,却只有一百一十八。差出来的八十多个计数是从哪来的?这个问题用两份小文件就能在本机查明,也直接决定下游差异开放分析有没有可比的分母。

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)
两个数字之前,先对齐一个基因组
下载包用了虚拟的参考组装和染色体,把复杂目录缩成两位供者各一份 BED 与片段文件。每位供者二十四颗细胞,峰表加起来九行。样本清单列明参考名称和坐标约定。脚本在合并前检查这些字段,只要两个样本声称处于不同组装,就停止并报告。真实项目里,同一个数值坐标在不同参考版本中可能指向不同序列,仅给染色体加个前缀并不能完成转换。若确需跨版本映射,还应保留未映射、多重映射和映射后宽度变化的区间,再决定哪些真正可以带入共同特征集。
本例的区间是零起点、左闭右开。起点为四千、终点为四千一百的峰,包含的最后一个坐标是四千零九十九。另一个区间恰好从四千一百开始,两者没有共同碱基。不同软件对首尾相接的区间是否合并可以有不同选择,尤其一些工具默认也合并首尾相邻项。我们故意把这样的一对留了下来,并在代码里用严格小于号决定合并。若项目想把相邻峰也合成一段,先改规则,再用这组反例检验预期有没有变。这样小的判断改变往往比调一个显著性阈值更早影响结果。BEDTools 相交说明
为每个共同区间保留原来的调用来源
先把所有峰按染色体、起点和终点排序。如果当前区间与已合并的最后一段至少重叠一个碱基,就延长终点,并保留哪些供者提供了这个区间。一个供者自己的两个重叠峰同样会在这一步连起来。此法允许链式合并,即第一段与第二段重叠,第二段与第三段重叠,即使第一段没有直接碰到第三段,最后也得到一个更宽的区间。这对建立可重复计数的共同特征十分方便,但也提示了边界决定的生物学代价:原先两个相近却独立的调控元件,可能落入同一行分析。
def union_intervals(peaks):
rows=[]
for r in peaks.sort_values(["chrom","start","end"]).itertuples():
if rows and rows[-1][0]==r.chrom and r.start<rows[-1][2]:
rows[-1][2]=max(rows[-1][2],r.end);rows[-1][3].add(r.donor)
else:rows.append([r.chrom,r.start,r.end,{r.donor}])
return pd.DataFrame([(c,s,e,",".join(sorted(o))) for c,s,e,o in rows],columns=["chrom","start","end","called_by"])
若目标基因周围的峰非常密,可以换成以明确峰顶为中心的固定宽窗口,或在重叠时按预先设定规则保留可重复的代表峰。选择要写在看差异结果之前,再列出宽度分布、被合并的旧峰数、哪些邻近基因受到影响。无论采取哪一种特征策略,得到的共同坐标都应保存成独立文件。后续计数使用这个文件作为唯一的区间定义;另外把原峰及其是否被每个供者调用保留成注释,这样既能公平比较,也能回到各自的发现过程取证。Signac 按细胞群找峰
每位供者都从同一套窗口重新计数
现在把两份片段表分别与共同区间相交。一条记录的末端只要超过窗口起点,同时其起点小于窗口末端,就说明有实际重叠。例子使用每条已去重片段计一次,同时另数多少个不同条码有贡献。一个区间可以有一百条片段却只来自少数细胞,另一个区间的总数相似却分布在许多细胞,读者需要这两列来判断覆盖是否稳定。样本的全部片段行数也保留下来,画图时才知道每万个可用片段的相对覆盖究竟用什么作分母。
def intersection_counts(fragments,c,s,e):
take=fragments.chrom.eq(c)&fragments.start.lt(e)&fragments.end.gt(s)
return int(take.sum()),int(fragments.loc[take,"barcode"].nunique())
| 共同区间及供者 | 自己曾调用的峰数 | 原峰计数相加 | 同一共同区间重数 |
|---|---|---|---|
| [1000,1160) 的 D1 | 2 | 204 | 118 |
| [1000,1160) 的 D2 | 1 | 108 | 115 |
| [4000,4100) 的 D2 | 0 | 0 | 35 |
| [4100,4200) 的 D1 | 0 | 0 | 40 |
第一行给出了重复计数发生的直接证据:一条较长的片段若同时碰到同一供者自己的两个旧峰,在两行里都会贡献一次。统一窗口后,这条记录在同一特征中只有一票。第二行则出现相反方向,原先的单个峰略窄,窗口扩大后纳入了原来没有碰到它的片段。第三和第四行更能说明为什么缺失值不能机械填零。该供者的峰调用没有报出这个区间,与该供者的片段完全不覆盖它,是两件可以分别查验的事情。此处实际数到三十五或四十个片段,旧表格中填的零明明与物理记录冲突。
python -m pip install -r requirements.txt
python run.py --input example --out results
用两条极端边界给自己的脚本验算
可以不用真实峰表,手写一条从三千九百到四千的片段,再写一条从四千到四千零一的片段。前者刚好在窗口左侧终止,后者恰好占用第一个碱基。对于四千至四千一百的窗口,只有后者应贡献计数。再写一条跨过四千一百的长片段,它可以分别为左右两个不同的共同窗口各贡献一次。这里“在一个窗口内去重”与“在全基因组每条片段只能分给一个特征”是不同选择。本教程选择按每个特征独立计重叠,所以把多行特征计数相加,可能超过任一区间并集里的独立物理分子数。
import pandas as pd
from run import intersection_counts
tiny = pd.DataFrame([("chrSim", 3900, 4000, "left"), ("chrSim", 4000, 4001, "inside")],
columns=["chrom", "start", "end", "barcode"])
assert intersection_counts(tiny, "chrSim", 4000, 4100) == (1, 1)
读者还可以把第一位供者的两个旧峰分别同原片段连接,列出同时命中两段的条码和坐标。在真实项目里,若一个共同区间明显由多个相邻峰组成,可以比较将它分开前后,效应方向有没有发生变化。若一个供者看起来在整片区域更开放,但拆成两段后发现一段升、一段降,那么此前宽窗口的总数隐藏了方向相反的局部现象。与其继续争论哪个边界才“正确”,更有解释力的是把两套定义、分供者轨迹和原始覆盖放进同一张图,说明结论能稳定到哪个空间尺度。
最后还要确认样本之间有可比的细胞群和生物学重复。即便坐标完全一致,拿一位供者的全部髓系细胞同另一位的全部淋巴细胞比较,仍可能得到主要反映细胞组成的差别。比较同种类型时先冻结标签,按供者汇总,保留不同分母以及每位供者进入分析的细胞数。若某个供者根本没有采到这个类型,应写成缺少观测机会,不能把它编码成这个类型所有峰都为零。在共享峰集、计数和设计表都对齐之后,再谈哪些开放变化有独立样本支持。
实践中可以给每版共同峰表留一个校验值,数表头同时记录对应的版本。如果合作者后来补了一位供者,新对象与旧对象里某一列即便名字相同,也要核对坐标和边界是否发生变化。只有峰表完全匹配,才能把已有的供者计数与新增样本安全地拼接。
交付时可把共同区间、原峰到新区间的映射、各文库重数结果并排存档,并记下参考组装、坐标规约和计数的片段定义。同事下一次换峰调用器,只要重新生成特征集和同一套重数结果,就能追到变化首先出现在哪一步。当供者很多、每次调整边界都要重新遍历大量片段时,再根据实际文件总量和并行计数的样本数选择云生信科研服务器租赁。
