某个 marker 在发现队列的热图里几乎只把一群细胞染亮。把它写进论文前,不妨换一批从未参与筛选的细胞,问一个很具体的问题:如果只根据这个基因,究竟认对几颗,误认成它的又是谁?本篇拿两份公开的外周血数据做一次真正的跨实验复核。我们在八位供者中选择基因和阈值,先把规则写成可查看的小文件,再打开另一份实验。最后有三百二十颗目标细胞被认出,也有九十七颗其他细胞被画进阳性,其中哪一类占得最多,读者可以亲手查。

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)
两批来自不同实验的条码,先把角色分清
发现队列取自 Kang 等人的外周血研究,仅保留对照条件的一万二千三百一十五个条码,含八名供者。独立复核取用十倍基因组 PBMC3K,按 Scanpy 公开分析对象的细胞名单与标签,从原始计数矩阵接回二千六百三十八颗条码。两份原始数据并非把同一份实验随机切成两半。第二份实验属于另一来源的一个供者,所以我们能够问规则能否转移到这个实验,却不能据此宣称已经证明它可以覆盖所有患者。名字相同的短条码出现在不同文库也可能纯属巧合,合并表格时必须保留来源字段。发现队列原研究 · 外部数据处理流程
任务限定为识别作者标注的 B 细胞。发现阶段列出六个候选,包括经典 B 系标记,也包括可能在其他抗原呈递细胞中出现的基因。每个候选分别尝试至少一个、两个或三个原始分子,共十八条规则。用原始分子阈值是为了让判断一眼可查,也意味着深度差异会直接影响迁移表现。换成归一表达、蛋白读数或多基因规则也是合理设计,但必须在打开外部标签以前确定测量口径。把整图颜色最深的那个基因临时挑出来,再用同一幅图说明它最准确,属于在训练材料里复述选择依据。
为什么按供者分别计算再取平均
给定一条规则,先在每个供者内填四个数。参考 B 细胞中有多少被认出、多少被漏掉;其他类型中有多少被误认、多少被正确排除。灵敏度是从参考 B 细胞出发的命中比例,特异度则从其他细胞出发。我们对这两项取均值,再对八位供者等权平均,得出发现阶段的排序。这样一个测到几千颗细胞的供者不能仅凭细胞数把只有几百颗的供者淹没。若某个供者根本没有参考 B 细胞,灵敏度无法估计,应在计算和报告中说明,不能因为缺目标群把灵敏度填成零。
def choose_rule(discovery):
rows=[]
genes=["MS4A1","CD79A","CD79B","CD74","HLA-DRA","CD37"]
for g in genes:
for threshold in [1,2,3]:
per=[score(z,g,threshold)["balanced_accuracy"] for _,z in discovery.groupby("donor")]
rows.append((g,threshold,np.nanmean(per)))
ranked=pd.DataFrame(rows,columns=["gene","threshold_raw_umi","mean_donor_balanced_accuracy"]).sort_values(["mean_donor_balanced_accuracy","gene","threshold_raw_umi"],ascending=[False,True,True])
return ranked
按这套预先规定的目标,胜出的是 CD79A 至少一个原始分子。脚本先把基因名、比较符号的含义和阈值写进冻结规则,然后才读取外部表。发现队列中合计有一千三百一十六颗参考 B 细胞,认出一千零一十六颗,漏掉三百颗;其他一万零九百九十九颗里误标一百三十七颗。按供者看,目标命中率约从六成五到八成四。读者可以再看每列的绝对细胞数,一位供者只有几十颗目标时,几颗边界细胞就能使比例明显改变。发现队列的漂亮平均值并没有抹去这些差异。
| 观察范围 | 真阳性 | 漏标 | 误标 | 正确排除 |
|---|---|---|---|---|
| 发现队列,8 位供者 | 1,016 | 300 | 137 | 10,862 |
| 独立 PBMC3K,1 位供者 | 320 | 22 | 97 | 2,199 |
到独立队列,先看原数再看百分比
冻结规则在三百四十二颗外部参考 B 细胞中认出三百二十颗,灵敏度约九成四;在两千二百九十六颗参考非 B 细胞中,九十七颗达到同一个阈值,特异度约九成六。外部灵敏度竟高于发现队列,这并不构成算法变好的证据。不同参考标注、建库深度、样本构成和个体生物学都可能让这一次识别更容易。先比较阳性与漏标 B 细胞的全库深度,再按基因原计数分别画分布,比简单地把两个百分比作优劣排名更有意义。若实际应用最怕漏标还是最怕误标,也要结合应用目的来读混淆表。
python -m pip install -r requirements.txt
python run.py --input example --out results
只看误标总数还不够。外部 CD4 T 参考组的一千一百四十四颗里,五十五颗被规则标为 B,是误标绝对数最大的来源。树突细胞中六颗被误标,数字很小,可该参考类型总共只有三十七颗,比例约为百分之十六。若下一步要在抗原呈递细胞附近寻找稀有 B 亚群,后一项更值得追查。打开逐条码文件,查这些细胞是不是只有一个 CD79A 分子,其他 B 系标记能否支持原规则,T 系或髓系标记又是什么样。单个阳性可能与表达、环境分子、双细胞或原参考标注边界都有关系,不能从一列数值中替它决定原因。
def score(tab,gene,threshold):
ref=tab.label.eq("B cells");pred=tab[gene]>=threshold
tp=int((ref&pred).sum());tn=int((~ref&~pred).sum());fp=int((~ref&pred).sum());fn=int((ref&~pred).sum())
sensitivity=tp/(tp+fn) if tp+fn else np.nan;specificity=tn/(tn+fp) if tn+fp else np.nan
return {"tp":tp,"tn":tn,"fp":fp,"fn":fn,"sensitivity":sensitivity,"specificity":specificity,"balanced_accuracy":(sensitivity+specificity)/2}
一次外部复核,应该怎样进入图注
可把图注写得足够具体,说明在哪个发现队列评估过哪些候选,采用按供者等权的目标函数,冻结了哪个基因及阈值,然后列出外部队列的四个整数。下一次若想把规则提高到两个分子,应把它记作新的候选版本,另找未参与修改的样本再验证。反复用同一份外部队列调阈值,最终得到的是利用了外部信息的更新模型,此时原外部指标不能继续当作一次盲法复核的性能。若可用队列有限,可以保留供者整组划分做初步检验,但发现、调整、最终验证的名单仍要写清。
对于真正的新标记,也可以先冻结一个简洁组合。比如先要求某谱系在样本中存在,再在同系细胞内检查新基因能否区分目标状态,并分别统计最容易混淆的相邻类型。参考标签若本来就由该标记或相近基因定义,得到高性能可能部分反映同一证据被重复使用,应另用独立蛋白、组织位置或实验记录补证。尤其不同解剖位置的阴性样本不能直接替代目标组织内的相邻细胞。进入验证阶段前,预先约定过低的灵敏度或特异度会如何影响结论,避免看见外部结果后只挑好看的那项展示。
也可以把原始验证表按深度分层,但应先固定同一条规则。分别列低、中、高深度中目标与非目标的个数,再看漏标是不是主要出现在较浅的一档。若某一档目标细胞实在太少,直接报告整数,并说明该档估计精度有限。把深度分层作为误差诊断,与在每一档临时改阈值完全不同。前者能帮我们解释冻结规则的弱点,后者需要从头当作一条新的复合规则评估。
把分析交给另一位同事时,可以只让他先读冻结规则与外部原表,在手算十个随机条码后再打开参考输出。看看他能否重建同一个真阳性数,能否从九十七颗里找到指定的参考类型。如果这一步顺畅,就说明对照数据、基因命名和阈值已经清楚到可以移交。要扩大到多中心、更多候选基因与供者重算时,再按矩阵体量与交叉验证的运行次数选择云生信科研服务器租赁。
