在肺癌图谱的 UMAP 上,脑转移细胞和肺原发细胞分成两片。把两组做差异分析,很容易得到几十个亮眼的基因,也很容易在标题里写下“转移特征”。可眼下有两件事同时改变:病灶从原发换成转移,器官从肺换成脑。我们直接打开 Kim 等人公布的原始样本表,用五十八份标本和二十多万颗已注释细胞,先回答哪一些对照在这批数据里真实存在。文章最后做一个确实有十名配对患者的练习,让读者看到同一份图谱可以支持什么、哪些问题还得换设计。

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)
读原工作簿,别从样本名猜患者
这个公开研究有四十四位患者、五十八份标本、二十万八千五百零六颗细胞,包含早期肺原发、晚期肺原发、远端正常肺、正常淋巴结、转移淋巴结、脑转移和胸腔积液。GEO 页面同时提供标本特征工作簿与逐细胞注释。我们的提取脚本从工作簿取出患者编号、样本编号、作者定义的来源和报告细胞数,再对注释逐行按样本、来源和大类计数。两份文件在五十八个样本的总数全部一致。这个能复算的检查比只确认两张表行数相同更可靠:一份样本若接错患者,仅看数据形状往往发现不了。GSE131907 原始样本表与注释
特别注意编号里的数字。不同样本前缀可能共享相同的末尾数字,却不一定来自同一人;相反,一位患者可能在两种取材方式下使用完全不同的前缀。晚期肺和淋巴结的部分标本通过支气管镜或超声引导获得,前缀有时提示采样操作,并不是器官或病灶类别本身。练习专门保留作者的来源字段,然后另建器官、病灶两列。胸腔积液作为一种液体标本单列,避免强行与实体瘤组织合到同一格子。换成自己的队列,也应先核实部位、时点和样本标识,再拆临床类别。
先把不可能分开的对照写出来
下表按原作者标签汇总。早期肺原发十一份,脑转移十份。前一组都来自肺,后一组都来自脑,在这两个选定类别之间没有同人的配对。即便在统计模型里添加一个器官协变量,也没有凭空产生“同一器官内既有该原发、又有该脑转移”这样的观察。如果设计矩阵的两列在选定样本中完全同步,数据不足以分别估计两项效应。应把结果表述为两个实际来源条件之间的差异,或引入来自合适部位的对照。不能因为统计软件给出了数值,就让模型回答设计里区分不开的问题。
| 原作者来源 | 标本数 | 已注释细胞 | 可直接核对的事情 |
|---|---|---|---|
| 早期肺原发 / 远端正常肺 | 11 / 11 | 45,149 / 42,995 | 其中 10 人同时有两种标本 |
| 肺内晚期原发 | 4 | 12,073 | 与胸腔积液有 1 名同人配对 |
| 转移淋巴结 / 正常淋巴结 | 7 / 10 | 21,479 / 37,446 | 是同种器官,但两组无同人配对 |
| 脑转移 / 胸腔积液 | 10 / 5 | 29,060 / 20,304 | 两个不同采样空间,分别保留 |
淋巴结的例子补充了另一层。转移淋巴结和正常淋巴结来自同一类器官,至少消除了“肺对脑”那样的器官大类差异,可这两组没有同一患者同时贡献。若要比较,可用患者为单位做非配对描述或模型,并继续检查疾病阶段、采样途径和其他条件;不能借用“器官相同”就声称做了同人配对。有三名患者既有转移淋巴结也有胸腔积液,患者背景可配对,取材空间依然改变。器官相同、病灶相同、患者相同是三种不同的约束,需要逐项打印出来。原研究与取材设计
def shared_patients(samples,left,right):
a=set(samples.loc[samples.origin.eq(left),"patient"]);b=set(samples.loc[samples.origin.eq(right),"patient"])
return sorted(a&b)
在确实有重叠的层内做一个小分析
早期肺肿瘤与远端正常肺名义上各十一份,但两名单交集为十人。我们只取这十位患者,对每个标本数作者标注为 B 淋巴细胞的条码,除以该标本中所有已注释细胞。这个分母非常重要:它不是每单位组织的绝对 B 细胞数,也不是免疫细胞内部的 B 细胞比例。接下来把同一患者的两份样本排成一行,计算肿瘤减正常的比例差。十人中九人方向为正,配对差的中位数约五点九个百分点。这个结果只描述这些标本的注释组成,不能被挪用成脑转移的 B 细胞发生变化。
python -m pip install -r requirements.txt
python run.py --input example --out results
可以在绘图前打开患者表。例如 P0006 的远端正常肺中 B 细胞比例约百分之一点零,早期肺肿瘤中约十五点二。P0009 的两份比例约三点三和四点零,方向相同,差只有约零点七个百分点。把所有细胞合在一起求两个组的总比例,会让回收到大量细胞的标本占更高权重,同时丢失这两种非常不同的患者内变化幅度。把两点以线连接,既能看到方向,也能看到哪一位病人的变化明显大于其他人。如果有治疗前后或多处同器官样本,应预先约定每位患者如何汇总,避免同一人因为取样多而被重复加权。
import pandas as pd
s = pd.read_csv("results/sample_design.tsv", sep="\t")
print(pd.crosstab(s.organ, s.lesion))
print(pd.read_csv("results/contrast_support.tsv", sep="\t").to_string(index=False))
真想验证转移程序,该怎样让问题更可检验
可先限定到同一谱系,例如作者标注的恶性上皮细胞,再以患者和标本为单位汇总表达。限定谱系减少了脑内特有常驻细胞造成的整体组成差别,并没有自动消除肿瘤细胞受到局部微环境调控的可能。其次,对每个候选基因列出患者来源、器官、病灶类别及是否在不同目的器官间反复出现。若只有脑转移组检出,还应问它在脑内其他细胞或已知组织程序中是否常见。跨部位也重复出现可以增加继续研究的理由,仍然需要独立匹配队列或实验区分转移程序与取材部位。没有相应对照的地方,宜保留假设,不必硬给出归因。
另一项常见混杂是取材操作与临床阶段绑定。在某些分层里,一组主要是手术组织,另一组主要是穿刺或液体样本;能回收的细胞类型和应激状态都可能随操作改变。可把采样方法加入设计表,分别询问同一器官、同一临床类别下是否还有不同操作,是否有足够患者做敏感性分析。只有这个交叉有观察,才能从数据估计影响。若没有,就把它列作结果解释边界,连同原图中哪些类别仍可可靠比较一起报告。这样写不会削弱图谱的价值,反而把真正可追溯的数据证据放在了读者面前。
复现时还可故意去掉患者编号,只按标本末尾的数字配一次,再与原工作簿里的白名单比较。请在新副本上做这项演练,把错误配对的两个样本、各自真正的患者名和来源列出来。它能解释为什么“各有十一份”并不自然意味着十一对,也能检出一些难以从点图察觉的假配对。若有人向你提供仅含器官和病灶类别的表达对象,应先请求对应的患者与取材清单;数据获取受限时,至少将观察单位明确写成标本,不要用无法恢复的身份关系完成配对推断。
完成复核后,可把设计交叉表放在热图前,让读者先看到哪些格子有独立患者,再读基因信号。包内还提供重建样本表的脚本,完整矩阵很大时也能先用标本元数据完成这一步。有了可以回答的问题,再决定是否值得为特定谱系重跑表达和差异模型;需要处理完整二十多万颗细胞对象时,再按原矩阵和各供者的任务数选择云生信科研服务器租赁。
