单细胞测序数据分析基础

单细胞测序（single-cell RNA sequencing, scRNA-seq）使研究者能够在单个细胞层面观察基因表达状态，从而解析组织异质性、发育轨迹和疾病机制。与 bulk RNA-seq 得到组织平均信号不同，scRNA-se

单细胞测序（single-cell RNA sequencing, scRNA-seq）使研究者能够在单个细胞层面观察基因表达状态，从而解析组织异质性、发育轨迹和疾病机制。与 bulk RNA-seq 得到组织平均信号不同，scRNA-seq 的数据分析更强调细胞级噪声建模、降维聚类和细胞类型注释。本文从通用原理出发，梳理单细胞测序数据分析的基础流程、方法对比与应用全景。
单细胞测序通常由微流控液滴、微孔板或分选板实现细胞分离，并通过细胞条形码（cell barcode）和分子标签（UMI）标记转录本来源。常见平台包括：

10x Chromium：高通量、3′ 端偏好、适合大规模细胞图谱。
Smart-seq2/3：低通量、全长转录本、灵敏度高，适合稀有细胞或可变剪接研究。
Drop-seq：高通量、成本较低，适合初步筛查。
微孔板方案：通量灵活，便于与表型筛选结合。

scRNA-seq 数据通常具有以下特点：矩阵稀疏、维度极高、dropout 事件常见、批次效应显著。因此，分析目标不是简单比较平均表达量，而是恢复细胞状态、识别细胞亚群并推断调控关系。

通用分析流程

一个典型的 scRNA-seq 分析流程可概括为以下步骤：

原始数据处理与定量：从 FASTQ 中提取 barcode 和 UMI，比对参考基因组，生成基因×细胞计数矩阵。常用工具包括 Cell Ranger、STARsolo、alevin 等。
质量控制：过滤低质量细胞和基因。常用指标包括每细胞基因数、UMI 总数、线粒体基因比例、核糖体基因比例。双细胞检测可使用 Scrublet、DoubletFinder。
归一化与批次校正：消除测序深度差异，常用 LogNormalize、CPM、SCTransform。多批次数据可使用 Harmony、BBKNN、Seurat CCA 等方法整合。
特征选择与降维：选择高变基因，进行 PCA、t-SNE 或 UMAP 降维。PCA 常用于后续聚类，UMAP 更适合可视化。
聚类与细胞类型注释：基于 KNN 图使用 Leiden/Louvain 聚类，再通过标记基因或自动注释工具（SingleR、CellTypist）赋予细胞类型。
下游分析：差异表达、通路富集、轨迹推断、RNA 速率、细胞通讯、拷贝数推断和多组学整合。

方法横向对比

维度	Bulk RNA-seq	scRNA-seq
分辨率	组织或群体平均	单细胞
输入量	较高	极低
主要噪声	生物学变异、技术偏差	dropout、批次效应、双细胞
典型问题	差异表达、富集分析	异质性、聚类、轨迹、通讯
分析重点	组间均值比较	细胞状态重建

工具生态方面，R 语言常用 Seurat、Bioconductor 系列；Python 常用 Scanpy、scvi-tools。选择工具时应考虑数据规模、平台类型、是否需要多组学整合以及团队可重复性要求。

在遗传学研究中的应用全景

在遗传学研究中，单细胞分析可作为通用数据层，与分子遗传、群体遗传和医学遗传问题衔接。例如：

解析不同细胞类型的等位基因特异性表达；
在肿瘤中推断克隆演化与体细胞突变；
结合 eQTL 研究细胞类型特异性调控；
在发育、免疫、神经和感染研究中识别关键细胞亚群；
为罕见遗传病提供细胞水平表达图谱。

需要注意的是，单细胞数据本身不能替代严格的实验设计。样本量、批次平衡、对照设置和生物学重复仍然决定结论可靠性。

实战示例：Scanpy 基础流程

以下代码展示了一个简化的 Python 分析框架：

import scanpy as sc

adata = sc.read_10x_mtx("filtered_feature_bc_matrix/")
sc.pp.filter_cells(adata, min_genes=200)
sc.pp.filter_genes(adata, min_cells=3)

adata.var['mt'] = adata.var_names.str.startswith('MT-')
sc.pp.calculate_qc_metrics(adata, qc_vars=['mt'], inplace=True)
adata = adata[adata.obs.pct_counts_mt < 20, :]

sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=2000)
adata = adata[:, adata.var.highly_variable]
sc.pp.scale(adata, max_value=10)

sc.tl.pca(adata, svd_solver='arpack')
sc.pp.neighbors(adata, n_neighbors=10, n_pcs=40)
sc.tl.umap(adata)
sc.tl.leiden(adata)

sc.pl.umap(adata, color=['leiden', 'CD3D', 'MS4A1'])

该流程完成了质控、归一化、高变基因选择、降维、聚类和标记基因可视化。实际项目中还需加入批次校正、双细胞去除和注释验证。

常见陷阱与最佳实践

批次效应：务必在实验设计阶段平衡批次，分析时进行整合并评估过度校正。
双细胞：高细胞密度或高表达基因混合可能导致假亚群，应使用双细胞检测工具。
线粒体比例：过高通常提示细胞凋亡或破损，但阈值需根据组织类型调整。
注释偏差：自动注释结果应结合已知标记基因和生物学背景验证。
可重复性：记录软件版本、参数和随机种子，使用容器或流程管理工具。

单细胞测序数据分析是一个迭代过程：质控、聚类和注释往往需要反复调整。掌握通用流程后，再针对具体遗传学问题选择合适模型和验证策略，才能从高维数据中提取可靠结论。