同一条向导 RNA 被读到了两百多次,研究者很自然地把这些细胞全都标成敲除组。把它们叠在一起作图,表达变化平平;把条码拆开,有些细胞的响应很强,剩下的却与非靶向对照很像。如果把检出向导、基因组发生改变和出现预期转录表型写成同一件事,后续每一步都难解释。本篇用一套可重建的扰动实验,让读者自己比较同一条向导里的两群细胞。除了 RNA,包里还有一个留到最后才打开的靶蛋白读数。

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)
先明确究竟给谁分组
练习包括四份独立模拟重复,每份都有六十五颗非靶向细胞,以及两条靶向同一个基因的向导,每条各六十五颗。四份加起来七百八十颗,原计数矩阵有二百零七个基因。教学数据故意让向导的有效响应比例不同,同时给细胞加入与扰动无关的背景状态和重复间表达差异。模拟的好处是参数都在文件里,读者能修改后重跑;但分析脚本只接收读到的向导和测量值,不把生成时隐藏的响应身份交给分类算法。文中每一个具体比率都只属于这次练习。
开工先检查三个字段。向导标识区分非靶向对照和两条不同序列,靶基因标签把两条向导归为一个靶点,重复标签保留每次实验的来源。三者混在一起会带来两个问题:一种是把不同重复的状态差异写成扰动效应,另一种是在两条向导强弱不同时,用人数多的一条掩盖另一条。真实数据里还要处理一颗细胞有多条向导、向导归属不确定或靶向组合干预的情形;这些条码需要按本研究的设计单独处理,不能直接套用这里单向导的两组定义。Mixscape 原始研究
对照应该和待判断细胞处在相近背景
Mixscape 先在相似细胞中寻找非靶向邻居,估计同类背景下的表达,再得到细胞相对背景的扰动签名。这里在每个重复内部找对照,固定主成分数和邻居数。某个重复里若很少有合适的非靶向细胞,算法即使能给出数字,局部背景也可能只是少量条码的平均。先输出每份样本的向导计数和候选对照,尤其检查目标细胞所处的分化状态在对照里有没有出现。若一个状态只出现在靶向组,应该承认可能存在真实的状态转移,也可能缺少可比背景,不能用最近的异类对照把两种解释合并掉。
obj <- CalcPerturbSig(obj, assay="RNA", gd.class="guide_ID", nt.cell.class="NT", split.by="donor",
num.neighbors=20, ndims=12, features=rownames(obj), verbose=FALSE)
obj <- ScaleData(obj, assay="PRTB", features=rownames(obj[["PRTB"]]), verbose=FALSE)
接下来在扰动签名上运行真实的 Seurat Mixscape,用目标类与非靶向对照识别响应,并允许同一靶基因的细胞被归入不同类别。脚本固定随机种子,随包提供软件版本。表里的 KO 表示被软件划入呈现预期扰动转录表型的类别,NP 表示本次未呈现所建模表型,NT 是非靶向对照。这个输出不能测量基因组切割或修复,也不能保证 NP 的细胞在代谢、蛋白定位或另一个时间点毫无变化。报告时给类别加上“转录响应”四个字,能让听众明确证据来自哪里。Seurat 的 Mixscape 输入与分类
obj <- RunMixscape(obj, assay="PRTB", slot="scale.data", labels="gene",
nt.class.name="NT", de.assay="RNA", split.by="donor",
logfc.threshold=0.20, min.de.genes=5, iter.num=10, verbose=FALSE)
| 向导及类别 | 条码数 | 靶基因原始 RNA 中位数 | 留出靶蛋白中位数 |
|---|---|---|---|
| NT 对照 | 260 | 5 | 33 |
| gA 的 KO / NP | 206 / 54 | 1 / 7 | 8 / 33 |
| gB 的 KO / NP | 56 / 204 | 2 / 6 | 8 / 32 |
用没参与分类的读数查分类有没有意义
向导 gA 的两百六十颗细胞中,两百零六颗被划为转录响应,五十四颗没有进入该类。gB 的人数一样,但响应类只有五十六颗。两组差别如果只用混合样本的一张表达小提琴图来表现,很容易被理解成“同一个靶点的平均响应略有不同”。拆开之后看得更具体:同一向导内部,有些条码更靠近建模的扰动状态,另一些则更接近对照。在设计后续实验时,响应细胞所占比例与响应细胞内部有多强这两件事需要分别检验。
现在打开当初没有交给拟合函数的靶蛋白。两条向导的响应类中,中位数都为八。各自未呈现该转录响应的条码,蛋白中位数分别为三十三和三十二,与非靶向组的三十三接近。这能检验分出的两类是否伴随一个独立读出的差别。靶基因 RNA 本身参与了表达矩阵,因此低 RNA 不能被称为独立验证。模拟中蛋白和转录由同一个潜在状态产生,这也不能当成真实平台上的验证成功率。真正的项目里可选择留出的蛋白、另一次实验或直接针对编辑位点的测量,取决于要回答的是蛋白表型还是编辑事实。
python -m pip install -r requirements.txt
python run.py --input example --out results
# 以下命令从原始矩阵拟合,再重新汇总
Rscript fit_mixscape.R example example/fit
python run.py --input example --out results_refit
从两百个细胞退回四个独立重复
在逐重复表里,各向导的分类数与蛋白中位数都可单独查看。若其中一份重复的 gB 完全没有观察到响应类,先核对该重复非靶向邻居的质量、向导读数分布、靶基因是否在此背景表达,以及细胞总深度。此时不存在的类别可以在计数表里填零,蛋白中位数却应保留缺失,不能用零声称这一类细胞没有蛋白。即使四份重复的方向一致,作为定量效应也应该展示重复间范围。几百颗细胞提供了组内分布,不能把它们当作几百次相互独立的扰动实验。
一个可操作的反查是把每个重复的对照邻居数从二十调到十,保持种子、基因、归一和其他参数不变,再运行一次。按条码对齐两次类别,分别记录每条向导从响应变成未响应、以及方向相反的细胞。如果不稳定的条码主要集中在两个蛋白分布之间,说明读数边缘的分类依赖局部背景选择;如果大量高或低蛋白条码也跟着翻转,再去检查降维、分层和不同重复的混杂。把变化记录留给实验同事,比只展示一次模型的最清楚那张图更能决定下一批样本要补什么。
另一个练习是关掉靶基因自身那一行表达,只用其他响应基因重建签名。若分类和留出的蛋白差异基本保留,说明区分信号分布在多个基因;若结论高度依赖单个目标基因,就要查看它容易因浅测序丢失的程度。无论得到哪种现象,都应保留两次拟合的原始输入与条码名单,不能在结果出来以后只选择更符合预期的一套。交付给合作者时再列明一项仍未回答的问题,例如细胞是否发生精确编辑、蛋白多久后下降,便于安排下一种测量。
向导表里的非靶向标签也值得回查。若实验用了几条不同的非靶向序列,先检验它们各自的细胞数量、靶蛋白范围及主要表达背景,再决定是否合并。有一条对照本身偏离其余对照时,可以重复一次移除该对照的分析,将受到影响的条码逐一保存。这样在解释某个小的未响应亚群时,能知道结果是否依赖一组特殊的参照细胞。
把流程迁到自己的实验前,先选一条有阳性对照读出的向导,和同次非靶向条码一起跑通,从中抽查几颗典型与边缘细胞。等到要对几十个靶点、不同重复和多套背景邻居并行重算时,再按实际条码和拟合任务数选择云生信科研服务器租赁。
