单细胞多组学：解析细胞异质性
细胞异质性是指即使在同一组织、同一表型分类下，细胞之间在基因表达、染色质状态、蛋白质丰度及空间位置上仍存在显著差异。传统批量测序将成千上万个细胞混合，得到的是“平均信号”，会掩盖稀有亚群、瞬时状态和动态过程。单细胞多组学通过在单个细胞中同时或平行测量多个分子层，将异质性从模糊的统计分布还原为可解释的细胞状态图谱。
单细胞多组学的通用原理
单细胞多组学的核心在于“单细胞分辨率”与“多模态关联”。其通用流程可概括为：
- 单细胞分离与标记：通过微流控、液滴、纳米孔或组合索引技术，将细胞或细胞核分隔到独立反应单元。
- 多模态测量：在同一细胞中捕获转录组、染色质可及性、DNA甲基化、表面蛋白、空间位置等一种或多种信息。
- 数据整合：将不同模态的数据映射到共同的细胞嵌入空间，建立跨分子层的细胞身份描述。
与批量多组学不同，单细胞多组学能够直接回答“同一细胞的转录状态是否与其表观状态一致”“某个亚群的表面蛋白是否由特定调控元件驱动”等问题。它不局限于某一调控机制，而是提供横向关联的观测框架。
主要技术类型横向对比
当前主流单细胞多组学技术可按测量模态和通量进行归类：
- scRNA-seq：测量单细胞转录组，技术最成熟、成本最低，是细胞异质性研究的基线。
- scATAC-seq：测量染色质开放区域，用于推断调控元件和转录因子结合潜力，但数据稀疏性高。
- CITE-seq：在同一细胞中同时检测RNA和表面蛋白，利用抗体标记实现蛋白与转录本的关联。
- 10x Multiome：在同一细胞核中同时捕获RNA和ATAC，直接关联转录与染色质可及性。
- 空间转录组：保留细胞的空间坐标，可结合组织学图像解析微环境异质性。
- scNMT-seq：同时测量DNA甲基化、染色质可及性和转录组，属于更全面的多组学方案。
这些技术各有取舍：转录组通量高但缺少调控信息；表观组能揭示调控潜力但稀疏；蛋白组直接反映功能状态但抗体 panel 有限。实际研究中常采用“主模态+辅助模态”策略，例如以scRNA-seq发现亚群，再用CITE-seq或Multiome验证。
解析细胞异质性的分析框架
从原始数据到生物学结论，通常遵循以下步骤：
- 预处理与质控：过滤低质量细胞、去除双细胞、校正批次效应。
- 降维与聚类：使用PCA、UMAP或t-SNE将高维数据投影到低维空间，识别细胞簇。
- 细胞类型注释：基于标记基因、蛋白标记或参考图谱为簇赋予生物学身份。
- 多组学整合：采用Seurat WNN、MOFA+、LIGER等方法，将不同模态的细胞嵌入对齐，寻找跨模态的共变模式。
- 轨迹推断与调控网络：利用拟时序分析重建分化路径，结合多组学数据推断关键调控因子。
示例：在肿瘤微环境研究中，先用scRNA-seq鉴定出耐药亚群，再用scATAC-seq发现该亚群特有的开放染色质区域，最后用CITE-seq确认其表面免疫检查点蛋白高表达。三步关联即可将“异质性”转化为可干预的分子靶点。
应用全景
单细胞多组学已渗透到多个生物学领域：
- 发育生物学：追踪细胞分化轨迹，解析谱系决定的多层调控。
- 肿瘤学：识别耐药克隆、免疫逃逸亚群及肿瘤-免疫细胞互作。
- 免疫学：刻画T细胞耗竭状态、克隆型与功能蛋白的对应关系。
- 神经科学：构建脑细胞图谱，关联神经元亚型与空间分布。
- 药物发现：在单细胞水平评估药物响应异质性，指导联合用药。
这些应用的共同点是：不再满足于“哪些基因差异表达”，而是追问“哪些细胞、在何种调控状态下、通过何种分子层协同产生差异”。
挑战与展望
当前单细胞多组学仍面临若干挑战：
- 数据稀疏性：单细胞表观组数据尤其稀疏，导致调控推断假阴性高。
- 批次效应与整合：多模态、多批次数据的对齐仍依赖算法选择。
- 标准化与可重复性：不同平台、不同组织处理流程缺乏统一基准。
- 成本与通量：真正多模态、高深度的单细胞测量成本仍较高。
未来，空间多组学、活细胞多组学以及人工智能驱动的整合方法有望进一步降低噪声、提升分辨率，使细胞异质性解析从“快照”走向“动态电影”。
总结
单细胞多组学是解析细胞异质性的总览级工具：它不深入某一调控机制的细节，而是提供跨转录、表观、蛋白和空间维度的横向关联能力。通过合理选择技术组合、遵循标准分析框架，研究者可以将细胞间的差异从平均信号中解放出来，构建更接近真实生物学的细胞状态图谱。