脱离生物学背景的数据分析都是耍流氓

单细胞转录组数据的拷贝数变异分析已经是很常规化了，尤其是inferCNV流程。我在前面的推文都给出来了详细的代码和案例讲解：

• 走inferCNV流程的时候只需要针对上皮细胞即可
• 上皮细胞里面混入了淋巴系和髓系免疫细胞呢
• 单细胞亚群绝对数量和相对比例的探索
• 为什么胃癌并不使用拷贝数来判断恶性的肿瘤上皮细胞呢

但是万万没想到大家会在可视化方面栽跟头，比如这个2022的文章：《Single-cell RNA sequencing identifies a paracrine interaction that may drive oncogenic notch signaling in human adenoid cystic carcinoma》，对应的数据集是GSE210171，大家可以很容易下载这个文件然后做一下降维聚类分群后，针对性的走inferCNV分析：

• GSE210171_acc_scrnaseq_counts.txt.gz

文章给出来了 (Figure 1B). 就是下面的拷贝数全景图：

文章里面给出来了拷贝数全景图，很明显就有染色体排序问题，图里面的chr17和19居然那么长，比chr8和9都长很多。这个是违背生物学常识的，

• 人类染色体的长度可以从约8000万到2.5亿个碱基对不等。
• 例如，最大的染色体是chr1，长度约为2.5亿个碱基对，而最小的染色体是chr22，长度约为5000万个碱基对。
• 染色体的大小也是一个重要的排序依据。通常，编号较小的染色体（如chr1、chr2等）相对较大，而编号较大的染色体（如chr21、chr22）相对较小。主要基于染色体的形态和大小，但这种排序并不完全反映它们的长度。但是有例外的很少很少。 https://www.ncbi.nlm.nih.gov/grc/human/data

染色体编号  长度（bp）
1 248,956,422
2 242,193,529
3 198,295,559
4 190,214,555
5 181,538,259
6 170,805,979
7 159,345,973
8 145,138,636
9 138,394,717
10 133,797,422
11 135,086,622
12 133,275,309
13 114,364,328
14 107,043,718
15 101,991,189
16 90,338,345
17 83,257,441
18 80,373,285
19 58,617,616
20 64,444,167
21 46,709,983
22 50,818,468
X 156,040,895
Y 57,227,415 

可以看到chr17和19肯定是很短很短了，那么文章里面的拷贝数全景图起码染色体编号肯定是有错误的。而且很容易推断出来问题出在哪里。在Unix-like系统的命令行中，sort命令用于对文本文件中的行进行排序。-k选项用于指定排序的依据，即按照哪一列（或字段）进行排序，而-n选项则指定按照数值进行排序。如果你使用sort -k而没有使用-n，那么sort命令将按照字符串（而非数值）的方式对指定的列进行排序。这意味着，即使列中的内容看起来像是数字，它们也会按照字典顺序（即字符顺序）进行排序，而不是按照数值大小。就会出现chr10在chr2的前面这样的错误标签。

当然了，这样的错误其实“无伤大雅”，如果作者看到了就简单的勘误即可。但是文章里面提到的 The most common CNAs were loss of segments of chromosome 12 and gain of segments of chromosome 18 (Figure 1B). 就有问题了。

题外话

最近居然在朋友圈刷到了一个科研黑产业链，就是有目的的举报科研学术不端然后收费摆平。

学徒专业

下载上面提到的GSE210171_acc_scrnaseq_counts.txt.gz文件然后做一下降维聚类分群后，针对性的走inferCNV分析。