复现van Galen et al. AML单细胞数据：从GSE116256到白血病层级、正常造血和免疫背景

AML单细胞文章的吸引力很强，但也最容易把结论写过头。看到Prog-like、GMP-like、Mono-like这类状态，读者会自然联想到白血病层级、克隆演化、免疫逃逸和预后。但公开表达矩阵能直接支持的内容更有限：细胞状态是否可读，正常造血和AML diagnosis之间的构成差异是否清楚，marker证据是否支撑这些标签，哪些判断需要突变、CNV或临床结局数据。

本文复现vanGalen et al.的GSE116256，把问题收窄到“白血病样状态、正常造血层级和免疫背景如何分开解释”。这比泛泛写“AML异质性”更有用，因为真实项目中常见的问题就是标签混杂：一部分细胞像正常HSC/Prog，一部分是myeloid或mono-like状态，还有一部分是T/B/DC等免疫背景。如果不先分清层级，后面所有差异分析都会变得不稳。

论文和数据来源

本文不会把表达状态直接写成恶性克隆，也不会把样本构成差异写成临床预后。AML数据需要多层证据：表达矩阵能做状态和marker审计；突变、CNV和临床结局需要对应数据支持。复现文章的质量取决于能否把这几层拆开。

数据规模和样本结构：22个样本、21个patient单位

图1显示本次复现保留5180个细胞、16841个基因和22个样本，对应21个patient单位。16个AML诊断样本各对应一位patient；Normal BM中BM5有两个分选样本，patient-level组成时合并为同一个BM5。这个规模适合做状态构成和marker审计，不适合单独建立临床模型。

本次批处理对样本设置了不同保留上限，最终每个样本保留79至360个细胞：多数AML样本上限为240，Normal BM样本最高为360，少数样本因可用细胞较少而低于上限。这个不等量下采样会影响总体cell-level composition，因此图6改为逐patient计算作者CellType比例，并公开每个样本的保留数。patient-level比例仍是描述性结果，没有进行疾病效应模型。

对血液肿瘤数据来说，样本层级尤其关键。一个AML样本可能被某类like状态主导，另一个样本可能有更多免疫背景或成熟myeloid细胞。如果只看总体UMAP，就会忽略患者异质性；如果只看患者构成，又可能丢失造血层级。本文后面把UMAP、marker dotplot、condition composition和sample signature heatmap一起使用，目的就是减少这种误读。

分组UMAP：AML diagnosis和Normal BM在同一坐标里读

图2按cohort给UMAP着色。AML diagnosis和Normal BM在表达空间中有明显差异，也存在局部重叠。这个结果符合造血系统的特点：AML样本中可以出现与正常造血层级相似的表达状态，正常骨髓也包含多个祖细胞和成熟细胞群。

这个图的读法要克制。它能说明疾病组和正常骨髓在表达空间中有结构差异，但不能把所有AML区域都解释为同一种恶性状态。要讨论malignant-like或normal-like，需要结合作者标签、marker、样本来源以及更底层的遗传证据。本文只在表达和注释层面讨论。

细胞状态：like标签提示层级，但不是克隆证据

图3按CellType显示主要状态。Prog-like 541个、Prog 444个、HSC 434个、Mono-like 401个、T 399个、GMP-like 357个、Mono 326个、cDC-like 312个、HSC-like 302个。like标签是这篇数据的阅读重点：它提示某些细胞在表达层面接近造血层级中的某些状态，但不能单独证明克隆身份。

写AML复现时，最容易犯的错误是把like状态直接写成“白血病干细胞”或“恶性单核细胞”。更稳的写法是先说表达相似性，再说明需要什么证据才能升级为恶性身份判断。例如CNV、突变、细胞条形码、诊断样本来源和原文推断方法，都是更强结论所需的支撑。

signature面板：造血、myeloid、mono和免疫模块要分开看

图4把HSC_Prog、GMP_Myeloid、ProMono_Mono、DC_pDC、B_Plasma、T_NK、Erythroid和Cycling模块放在同一坐标中。HSC/Prog相关模块使用CD34、GATA2、MEIS1、PROM1、HLF；GMP/myeloid模块使用MPO、ELANE、AZU1、CTSG、CEBPA；ProMono/Mono模块使用LYZ、S100A8、S100A9、FCN1、MS4A7。

这个图帮助我们把血液肿瘤数据拆成几条线：祖细胞层级、髓系成熟、单核方向、免疫背景、红系和增殖。每一条线都可能参与疾病样本构成，但文章不能把它们混成一个“AML信号”。表达层面越复杂，越需要把模块分开读。

marker dotplot：层级判断要落在基因组合上

图5显示不同状态的marker表达比例和平均表达。CD34、GATA2、MEIS1帮助识别stem/progenitor相关状态；MPO、ELANE、AZU1、CTSG支持GMP/myeloid方向；LYZ、S100A8、S100A9、FCN1支持单核方向；CD3D、CD3E、NKG7、GNLY和MS4A1、CD79A、MZB1帮助识别T/NK、B/plasma背景。

这张图是复现文章中最该细读的图之一。AML数据的标签如果只来自聚类名称，读者很难判断可信度。把marker panel摆出来，能让状态解释变得可复查。若某个like状态同时带有祖细胞和髓系信号，文章就应写成层级混合或表达相似，而不是直接归入单一细胞身份。

patient-level composition：先看患者异质性

图6逐patient展示作者CellType比例。16个AML patient之间差异很大：部分patient以GMP、Mono或ProMono相关状态为主，另一些以HSC/Prog或免疫背景为主。Normal BM的5个patient单位也有明显差异，BM5的两个分选样本在计算patient比例时已合并。

作者在AML与Normal BM中使用的标签命名并不完全对称，AML侧常见-like后缀，Normal BM侧多为正常造血名称。因此图6用于展示每位patient的作者标签构成，不能把后缀差异本身当作疾病效应。要比较cohort，需要预先定义可比状态、处理下采样权重，并采用patient-level composition模型。

signature score：样本内部的状态差异不能被总体均值掩盖

图7按cohort比较signature score。HSC_Prog、GMP_Myeloid、ProMono_Mono、T_NK、B_Plasma等模块在不同状态和分组中呈现差异。它补充了composition图看不到的信息：同样属于AML diagnosis，不同细胞可能更接近祖细胞、GMP/myeloid或mono方向。

读这类score图时，要避免把分数写成一个单一的“恶性指数”。模块分数反映的是所选marker集合在表达矩阵中的相对信号，受细胞状态、检测深度和基因集选择影响。它适合作为状态解释和样本审计的辅助证据，不适合单独承担临床判断。

样本热图：患者差异是AML复现的重点

图8把signature中位数放到样本层面。不同AML样本在ProMono_Mono、GMP_Myeloid、B_Plasma和Erythroid等模块上差异明显。例如AML556-D0的ProMono_Mono中位数较高，AML707B-D0同时有HSC_Prog、GMP_Myeloid和Cycling信号。Normal BM样本则更接近正常造血层级和免疫背景结构。

这个图说明，AML复现不能只给“疾病组平均”。患者间差异正是血液肿瘤数据的吸引点，也是解释风险的来源。写作时可以说样本间存在状态偏向；不能在没有临床和遗传数据时把这些偏向直接写成风险分层。

cluster交叉：算法分群和状态标签需要互相校验

图9展示matrix cluster和CellType的交叉。部分cluster有清楚主状态，例如C5中Mono-like约53.42%、Mono约34.08%，C7中T约61.97%，C8中HSC约45.53%、Prog约23.00%。也有一些cluster混合多个祖细胞和like状态。

这种交叉检查能防止两类错误。一类是完全相信算法cluster，把每个cluster都命名为新亚群；另一类是完全相信原始标签，忽略当前矩阵中的分群结构。复现文章应该把二者放在一起读。如果两者大体一致，说明解释更稳；如果冲突明显，需要回到QC、降维、聚类和marker选择重新审计。

复现边界：表达层面可以说明什么

图10总结本文的可解释范围。表达矩阵和作者注释可以支持细胞状态、造血层级、marker证据、逐patient构成和样本差异审计；只能提供恶性身份和克隆结构的线索；不能替代突变、CNV、临床结局和治疗响应分析。作者CellType与本次marker-derived state保存在不同字段中，写作时不混称为同一套标签。

这个边界对AML文章尤其重要。越是疾病意义强的数据，越需要克制。公开复现的任务是把表达层证据整理清楚，并标出需要进一步证据的位置；临床故事不能靠表达矩阵补满。

与原文对照：层级、进展和免疫需要不同证据

vanGalen et al.原文关注AML hierarchies、disease progression和immunity。本文复现的是公开表达和注释层面的一个子集问题：AML diagnosis与Normal BM之间的状态构成、marker支持和样本差异。它能展示原文关注的层级思想在公开矩阵中如何被重新组织成图表，但不会替代原文的完整推断。

这类对照对真实项目很有用。客户或学生常常拿到一个h5ad或Seurat对象，希望直接讨论临床意义。更稳的路径是先做表达状态审计，再决定是否需要补充突变、CNV、临床分组、药物反应或随访信息。没有这些信息时，文章可以写状态结构，不能写临床因果。

深度解读：这篇复现应该怎么读？

它能回答的问题

本文能回答GSE116256公开矩阵是否可用于AML和Normal BM的状态复核，能回答like状态、正常HSC/Prog和免疫背景如何在表达空间中分布，也能回答marker panel是否支撑这些标签。它还能提示患者间状态差异，为后续更细的AML样本分析提供入口。

raw/processed matrix的边界

本文使用公开表达和注释文件，不是FASTQ重新比对，也不是突变/CNV联合分析。表达矩阵可以支持marker和状态审计，但不能独立确认恶性克隆。AML场景下，malignant identity需要遗传证据或原文推断方法支持；临床风险需要临床变量。

关键图怎么读

图3显示状态坐标，图5检查marker，图6展示逐patient作者标签构成，图8显示样本层模块差异，图10给出边界。若只读图6，可能把标签命名和不等量下采样写成疾病效应；若只读图5，可能忽略样本差异。把这些图连起来，才能形成一条可复查的AML复现证据链。

哪些地方不能过度解释

不要把Prog-like直接写成白血病干细胞，不要把Mono-like直接写成单核型恶性克隆，不要把T/B/NK背景直接写成免疫逃逸，也不要把样本热图直接写成预后模型。更强的说法需要突变、CNV、免疫受体、临床结局和治疗信息。

后续可以怎么深入

可以按患者选择Prog-like、GMP-like或Mono-like细胞做子集分析，检查marker梯度、增殖模块、分化轴和免疫背景。也可以把公开表达状态和原文临床/遗传注释对齐，做更严格的患者层解释。若目标是文章补图，最先补状态、marker、样本和边界四类图，UMAP不应继续堆叠。

AML复现为什么不能只做“肿瘤 vs 正常”？

AML数据和实体瘤单细胞不同。实体瘤中常见的第一步是区分恶性细胞、免疫细胞和基质细胞；AML数据的难点在造血层级内部。HSC、Prog、GMP、Mono和各种like状态之间本来就有连续关系，如果只把样本分成AML diagnosis和Normal BM，就会把最有信息量的层级结构压平。

本文的图链因此围绕“层级”组织，而不是围绕“疾病二分类”组织。UMAP只是提供坐标，marker dotplot用来审计CD34/GATA2/MEIS1、MPO/ELANE/AZU1、LYZ/S100A8/S100A9等模块，composition显示like状态在AML diagnosis中的占比，sample heatmap再把状态偏向拆回患者。这样读，AML数据才不会被一句“异质性强”带过去。

另一个需要保留的边界是恶性身份。Prog-like、GMP-like和Mono-like在表达层面有白血病样状态的含义，但表达相似性不等于克隆证明。没有突变、CNV、融合基因或其他遗传证据时，文章应避免把like状态直接写成恶性克隆。可以写“AML diagnosis中这些like状态更突出”，不能写成“这些细胞就是某一类克隆”。

患者层面的差异怎么进入解释？

AML复现中，患者层差异不是附属结果。样本热图显示，不同AML样本在ProMono_Mono、GMP_Myeloid、B_Plasma、Erythroid和Cycling等模块上差异明显。若一个样本中ProMono_Mono强，另一个样本中GMP_Myeloid强，后续分析方向就会不同：前者可能更适合做单核方向状态审计，后者更适合追踪髓系祖细胞/粒系相关模块。

这里仍然不能把表达模块直接写成临床分型。样本层热图的作用是筛选后续分析入口，帮助研究者知道哪些样本需要单独拆开，哪些状态值得和原文突变或临床信息对齐。它是项目决策图，不是预后模型。

对旧项目再分析来说，这一点很实用。很多AML对象已经有初步注释，但缺少患者层汇总。重新整理sample-level signature后，往往能发现某个样本被某类状态主导，或某些免疫背景在特定患者中更强。这些都可以成为后续差异分析和图表补强的入口。

marker模块如何避免标签漂移？

血液系统marker有重叠，标签漂移很常见。CD34和GATA2支持stem/progenitor，但不能单独定义所有HSC-like状态；MPO和ELANE支持granulocytic/myeloid方向，但在不同成熟阶段表达会变化；LYZ和S100A8/S100A9支持mono/myeloid相关状态，也可能出现在炎症背景中。marker审计必须看组合、比例和状态位置。

本文使用的dotplot和signature panel就是为了解决这个问题。若一个状态同时有CD34/GATA2和MPO/AZU1信号，写作时应把它放在造血连续谱中理解，而不是强行命名单一类别。若某个cluster中T/NK或B/plasma marker很强，它更可能代表免疫背景或非白血病细胞成分，不能被混入白血病层级。

后续分析应该怎么选切口？

若目标是科研图表，可以优先选择三个方向。第一个方向是Prog-like和HSC-like的子集分析，检查CD34、GATA2、MEIS1、PROM1、HLF以及Cycling模块是否形成梯度。第二个方向是GMP-like与Mono-like的分化关系，围绕MPO/ELANE/AZU1和LYZ/S100A8/S100A9组织图表。第三个方向是免疫背景，单独比较T/NK、B/plasma和cDC-like标签在患者中的构成。

这些方向都需要额外约束。若进入恶性克隆问题，必须引入遗传证据；若进入预后问题，必须引入临床结局；若进入治疗反应，必须有治疗前后或药物响应设计。公开表达矩阵能帮助筛方向和补图，不能替代这些关键变量。

从AML对象到可用图表，中间缺哪几步？

很多AML单细胞对象已经有UMAP和cluster，但还不能直接进入文章。第一步要把cluster翻译成造血层级语言：哪些靠近HSC/Prog，哪些靠近GMP/myeloid，哪些靠近ProMono/Mono，哪些是T/NK、B/plasma或DC背景。没有这一步，读者看到的只是编号和颜色。

第二步要把样本放回图表。AML患者异质性很强，总体composition很容易掩盖单个患者的主导状态。本文的sample heatmap能显示不同患者的模块偏向，帮助判断后续是否需要按患者做子集图、是否需要把某个样本单独拿出来解释。对临床合作项目，这类图往往比全局UMAP更容易被理解。

第三步是把“表达相似”与“恶性身份”分开。like状态是表达层概念，恶性克隆是遗传层概念。若对象里没有突变或CNV信息，就不要在图注里写“malignant clone”。可以写“AML diagnosis中的Prog-like状态占比更高”，也可以写“该状态表达HSC/Prog相关marker”，但不能把这两句话合并成超出证据的判断。

第四步是决定后续图表的服务目标。如果是论文复现，重点在原文层级和marker对照；如果是旧项目再分析，重点可能是患者状态组成和可解释补图；如果是机制探索，必须引入更多数据层。把目标写清，分析路线才不会越做越散。

AML文章里的免疫背景不应被当成噪音

T、B、NK、plasma和DC相关标签在AML样本中常被视为背景，但在复现文章里它们不能被简单删除。免疫背景能帮助读者判断样本组成，也能提示后续是否适合做免疫微环境分析。本文保留T_NK、B_Plasma、DC_pDC等模块，就是为了把非白血病细胞成分写清楚。

免疫背景也有解释边界。T/NK比例高不等于免疫活性强，B/plasma marker出现不等于抗肿瘤反应成立。若要进入功能解释，需要TCR/BCR、细胞状态marker、样本临床信息或治疗背景。当前复现只把它们作为组成和marker证据，而不是免疫功能结论。

结论审计

小结

vanGalen AML复现的重点是把层级拆清楚，避免把所有细胞都写成“肿瘤异质性”。GSE116256支持AML diagnosis和Normal BM之间的状态构成比较，支持HSC/Prog、GMP/myeloid、ProMono/Mono和免疫背景的marker审计，也提示患者层差异需要单独讨论。它的边界同样明确：表达矩阵不能替代突变、CNV和临床结局。对血液肿瘤单细胞项目来说，这种复现能帮助研究者把复杂对象整理成可解释、可审查、可继续深入的证据链。