单细胞文章里常见这样一张图:某类细胞处理后上调了四十个基因,一个通路排在富集结果第一名。同事只换了一个背景基因文件,差异表一个字都没动,第一名就变成另一条。究竟哪一步改了统计问题?我们做了一个能用四个整数复算的例子。两条通路分别命中十四和十个基因,从头到尾没有变化。等把“当初有机会成为差异基因的候选”也列出来,名次互换的原因就能用算术说清。代码、候选生成器和完整成员表都在下载包里。

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)
找到差异检验之前留下的那份基因表
练习有一万个虚拟基因,只有一千个在目标细胞类型里通过表达过滤并实际进入差异检验。从这一千个基因中得到四十个上调候选。表里有独立的两列,标记“有资格被检验”和“被选中”。其余基因仍在物种基因组中,也可能属于研究者感兴趣的通路,但在这次特定筛选里,它们没有机会出现在显著名单里。当问题是“在这个细胞类型实际测试的基因里面,某通路是否特别集中”,背景就应反映这一轮的选择机会。基因组、检测面板和本次受检清单是三种可分别保存的集合。GO 对参考基因列表的定义
回到真实项目,最有价值的往往不是最终火山图,而是模型运行前后的完整结果表。表达滤除、缺少有效估计、独立过滤、基因映射失败可能发生在不同阶段。先明确哪些基因理论上可以按你设的实际条件进入最终查询,再从对应表中取背景。不能把最终显著基因直接用作背景,也不能为了让某条通路名次好看,展示结果之后再调整检测阈值。对于两类细胞分别做的检验,它们的检出范围可能不同,背景也要分别存档。整批样本里偶然测到过一次的基因,不保证在每种类型内都具备检验资格。
将每条通路化成四个能核对的整数
设背景基因总数为 N,背景中属于这条通路的成员数是 K,查询名单中确实属于这个背景的基因数是 n,其中同时属于通路的为 k。零假设可以想成从 N 个候选中不放回随机取 n 个,计算得到至少 k 个通路成员的概率。富集倍数则是查询名单内的通路比例除以背景中的通路比例。下面的函数对通路与查询名单都先和当前背景取交集,再进行计算。它同时输出具体重叠的基因名,便于发现同义词映射重复、一条记录拼错或同一个基因被多次计入的问题。
def test_set(query,universe,members):
eligible=members&universe;active=query&universe;overlap=eligible&active
N,K,n,k=len(universe),len(eligible),len(active),len(overlap)
return N,K,n,k,(k/n)/(K/N) if n and K else np.nan,hypergeom.sf(k-1,N,K,n),",".join(sorted(overlap))
先看易检出的教学通路。整个物种里它有一百个成员,若以一万为背景,随机抽四十个,期望命中零点四个。实际命中十四个,相当于期望的三十五倍。换成受检背景,它在一千个基因里就有九十五个成员,因为这个通路的大部分成员本来就容易被测到。随机名单中期望出现三点八个,十四个仍有聚集,但富集倍数降为约三点六八。没有任何一个上调基因被拿走,真正变的是“一个普通的四十基因名单通常会命中多少”。
| 通路及背景 | N | K | n | k | 富集倍数 |
|---|---|---|---|---|---|
| 易检出,全基因组 | 10,000 | 100 | 40 | 14 | 35.00 |
| 易检出,实际受检 | 1,000 | 95 | 40 | 14 | 3.68 |
| 紧凑响应,全基因组 | 10,000 | 300 | 40 | 10 | 8.33 |
| 紧凑响应,实际受检 | 1,000 | 22 | 40 | 10 | 11.36 |
第二条虚拟通路恰好相反。它在全部基因中有三百个成员,实际进入检验的只有二十二个,查询中却有十个。以受检列表作背景,期望只有零点八八个,富集变为约十一点三六倍。读者可以先根据这四行预测哪一条更可能排第一,再打开结果表。在全基因组下第一条通路的单侧尾部概率更小,使用受检背景后第二条通路的数值更小。每一个背景内都对同样四条通路的概率进行独立的多重比较校正。做多库、多方向或多个细胞群的分析,还应说明校正的检验家族如何定义。
python -m pip install -r requirements.txt
python run.py --input example --out results
先对齐基因标识,再谈生物学解释
假设差异表用的是带版本号的物种基因标识,注释库用的是基因符号。去掉版本号、合并同义词、处理一个旧符号对应多个新条目的规则,都要同时作用于背景和查询。只把查询名单的旧名换过来,却让背景保留旧名,会造成查询基因落在背景之外。我们在加载时直接检查选中名单是否属于受检集合;碰到意外先打印具体名字。真正的项目中还要报告送入工具前有多少基因、数据库识别多少、最终参与各个集合计算有多少。若结果页只给富集图,不给输入与映射日志,第一名变化时就几乎没法追查。
这里另一个值得核对的数是每条通路的 K。有些软件仅在“本库有注释的基因”构成的集合中检验,有些允许把未注释但确实测过的背景一起带入。只要 N 与 K 的定义跟着工具变化,尾部概率就可能变化。包里的四条教学通路都明确给出成员,全体背景由输入定义,因此结果可以从源表复算。换到公共数据库,应保存数据库版本、物种、选择的本体分支及最小最大集合大小。两次分析的条目筛选不同,即便同一条的原始概率一致,多重校正后的排序也可能改变。关于富集检验中参考集合的说明
import pandas as pd
t = pd.read_csv("results/enrichment.tsv", sep="\t")
cols = ["background","pathway","N","K","n","k","fold_enrichment","rank"]
print(t.loc[t.pathway.isin(["readily_detected","compact_response"]), cols].to_string(index=False))
当两份背景给出不同排名,怎样写进正文
有些条目含有大量到处表达的基因,换成受检背景后名次下降,仍可能与真实生物学有关;名次下降只说明此前的突出程度有一部分来自容易被挑中。反过来,小而紧凑的通路以少数成员取得高富集,也要查看是否由几个高度相关或共享于多个条目的基因推动。可将两条通路实际命中的基因逐个接回差异表,检查方向、效应量、供者间一致性及注释的具体内容。若两个条目名不同但成员高度重叠,不要把它们写成两条相互独立的机制证据。功能富集适合组织探索线索,筛选条件与实验对应才是后续判断的基础。
给合作者看的最终表还可以保留一列“只在全库有注释、没有进入本次检验”的成员。它们数量一大,就容易说明某个看似庞大的通路在本实验中其实只有很小的可测部分。若关键调控基因恰好都不在可测范围,讨论应限定在观测到的那些成员上,不能把整条通路的所有环节都描述为处理后受到影响。
可以再做一次反查,保持同一套受检背景,只逐一拿掉最高表达的一个候选,看看第一名是否长期依赖同一个基因;或者将查询改为下调基因,另作一组结果。两种实验必须分开,因为前者问结果对单个成员的敏感性,后者改变了生物学方向。保存每次输入清单,画一张列出真实重叠基因数的小表,往往比再加一幅更花哨的气泡图更容易让合作者判断。需要在许多类型和供者设计中重复完成差异筛选、注释映射和背景复核时,再按原计数矩阵和批量计算规模选择云生信科研服务器租赁。
