细胞 Barcode 与 UMI

快速概览

在单细胞测序中，我们面临两个核心挑战：如何识别 Read 来自哪个细胞？以及如何区分真实的分子与 PCR 重复？细胞 Barcode 与 UMI (Unique Molecular Identifier) 正是为此设计的分子标签。

掌握细胞 Barcode 的作用：细胞身份的"身份证"
理解 UMI 的统计原理：将 Read 计数转化为原始分子计数
掌握 UMI 去重算法如何校正 PCR 扩增偏差
了解 Barcode 纠错与白名单过滤的逻辑

所属板块 分析方向与案例

把基础对象与算法方法重新放回真实分析任务与工作流。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

1. 细胞 Barcode：标记空间身份

在液滴法（如 10x Genomics）中，每个液滴包含一个带有数百万条引物的凝胶珠。

结构：所有这些引物都共享同一个 16 bp 的序列，这就是 Cell Barcode。
逻辑：被该液滴捕获的细胞，其所有的 mRNA 在逆转录后都会带上这个相同的标签。
计算分配：在拆分（Demultiplexing）阶段，算法根据 Barcode 将海量的 Reads 重新归类到各自的细胞中。

Barcode 的信息论考量

Cell Barcode 的设计需要在两个目标之间取得平衡：

唯一性：能够区分实验中所有的细胞。对于 $N$ 个细胞，需要 $n$ 个碱基使得 $4^n \gg N$ 。10x Genomics v3 使用 16 bp Barcode，理论上可编码 $4^{16} \approx 4.3 \times 10^9$ 种组合。
纠错能力：测序过程中 Barcode 区域也可能发生碱基错误。设计上要求合法的 Barcode 之间保持足够的汉明距离（Hamming Distance），使得单个碱基错误不会被误判为另一个合法 Barcode。

Barcode 白名单（Whitelist）

并非所有 $4^{16}$ 种序列都能用作 Cell Barcode。厂商通过实验筛选出一组已知能正常工作的 Barcode 序列，构成白名单。在数据处理时，只保留与白名单匹配（或经纠错后匹配）的 Reads，其余视为无效数据。

2. UMI：标记分子身份

UMI (Unique Molecular Identifier) 是一段随机生成的短序列（通常 10-12 bp）。

物理过程：在逆转录之前，每个 mRNA 分子都会随机连接上一个独特的 UMI。
PCR 扩增：由于 PCR 扩增并不是均匀的，一个原始分子可能产生 10 个 Reads，而另一个只产生 2 个。
去重逻辑：如果多条具有相同 Barcode 的 Reads 映射到同一个基因且携带相同的 UMI，算法会将它们计为一个原始分子。

UMI Count vs Read Count

Read Count：受 PCR 偏好性影响大，不能真实反映表达量。
UMI Count：反映了逆转录前的原始分子数，是目前单细胞定量的标准度量。

UMI 的数学模型

假设基因 $g$ 在细胞 $c$ 中有 $n_{g,c}$ 个真实的 mRNA 分子被捕获，每个分子被分配一个 UMI。由于 UMI 空间（ $4^{10} \approx 10^6$ ）通常远大于实际分子数（ $n_{g,c} \ll 10^6$ ），UMI 碰撞的概率很低。

UMI 去重的核心问题可以形式化为：给定同一 Barcode 下映射到同一基因的一组 UMI 序列集合 $U = \{u_1, u_2, \ldots, u_m\}$ ，如何推断原始分子数 $n$ ？

理想情况下，如果每个 UMI 只来自一个分子，则 $n = |U|$ （去重后的唯一 UMI 数量）。但测序错误会导致同一个 UMI 被错误读取为多个不同序列，因此需要纠错步骤。

3. 算法挑战：纠错与过滤

测序错误的处理

如果 UMI 在测序中错了一个碱基，简单的完全匹配会将其计为两个分子。

解决方案：利用邻域聚类（如 UMI-tools 算法）。如果两个 UMI 的汉明距离为 1，且其中一个丰度远高于另一个，则将其合并。

具体而言，UMI-tools 的方向性（directional）方法遵循以下逻辑：

对同一基因下的所有 UMI 按观测次数降序排列。
对于每个 UMI $u_i$ ，检查是否存在汉明距离为 1 的邻居 UMI $u_j$ 。
如果 $u_j$ 的观测次数 $< u_i / 2$ ，则将 $u_j$ 的所有 Reads 合并到 $u_i$ 。

这一规则背后的直觉是：测序错误产生的变异 UMI 丰度应显著低于其正确来源的 UMI。

UMI-tools 的算法变体

方法	策略	优点	缺点
Unique	仅保留完全匹配的 UMI	最简单	严重低估分子数
Cluster	基于汉明距离聚类	回收测序错误	可能合并不同分子
Directional	基于频率的方向性合并	兼顾准确与回收	依赖频率差异足够大
Adjacency	基于序列距离网络	处理多碱基错误	计算开销更大

膝点图（Knee Plot）与空液滴过滤

并不是所有检测到的 Barcode 都代表真实细胞。

背景噪声：液滴中可能只含有环境 RNA（Ambient RNA）。
过滤直觉：将所有 Barcode 按 UMI 总数降序排列。真实细胞通常位于曲线的”膝部”上方，而噪音则处于平缓的尾部。

空液滴检测的统计方法

简单的膝点图依赖人工目视判断，不够鲁棒。更系统的方法包括：

EmptyDrops（Lun et al., 2019）：对每个 Barcode 计算 RNA 概率，使用 FDR 控制假阳性率。即使 UMI 总数较低，只要基因表达谱与已知细胞显著不同，也可判定为真实细胞。
Barcode-Rank Inflection：利用 Barcode 排名-丰度曲线的曲率变化自动识别拐点。

4. 表达矩阵（Count Matrix）的生成

经过比对和去重，最终输出是一个基因 $\times$ 细胞的稀疏矩阵。

维度：通常为 $30,000$ 基因 $\times 10,000$ 细胞。
稀疏性：由于捕获效率限制，矩阵中 90% 以上为 0（Dropout 现象）。

从 FASTQ 到 Count Matrix 的完整流程

原始 FASTQ 文件（Read 1: Barcode+UMI, Read 2: cDNA）
    |
    v
Barcode 识别与白名单过滤（cellranger mkfastq / bcl2fastq）
    |
    v
参考基因组比对（STAR / STARsolo）
    |
    v
UMI 去重与计数（cellranger count / UMI-tools）
    |
    v
稀疏表达矩阵（genes x cells, Matrix Market 格式）

矩阵的稀疏表示

由于矩阵极度稀疏（通常 >90% 为 0），实际存储使用稀疏格式而非密集矩阵。常见的格式包括：

Matrix Market (.mtx)：坐标列表格式，仅存储非零元素及其行列索引。
HDF5 (.h5)：压缩的二进制格式，支持快速随机访问。
AnnData / Seurat 对象：在稀疏矩阵之上封装元数据、降维结果和注释信息。

5. 技术细节：Barcode 与 UMI 的结构

以 10x Genomics Chromium v3 为例，Read 1 的结构如下：

[16 nt Cell Barcode] [10 nt UMI] [接头序列]

Cell Barcode 位于 Read 1 的最前端，长度 16 bp。
UMI 紧随 Barcode 之后，长度 10 bp。
这两部分共同构成每个 Read 的”身份标识”，后续的 cDNA 序列（Read 2）提供实际的基因信息。

不同平台的 Barcode 设计

平台	Barcode 长度	UMI 长度	Barcode 空间	特点
10x Genomics v3	16 bp	10 bp	~750,000 (白名单)	高通量液滴法
10x Genomics v2	16 bp	10 bp	~750,000 (白名单)	早期版本
Drop-seq	12 bp	8 bp	较小	开源液滴法方案
Smart-seq2	无 Barcode	无 UMI	N/A	全长、无标签
inDrop	8-11 bp	6 bp	可变	开源液滴法方案

6. 为什么重要

细胞 Barcode 与 UMI 是整个单细胞数据分析管线的基石。它们的质量直接决定了下游所有分析的可靠性：

Barcode 错误分配会导致细胞混合，使得原本来自不同细胞的 Reads 被错误合并，产生虚假的”混合态”细胞。
UMI 去重不充分会导致高表达基因的定量膨胀，夸大基因间的表达差异，影响差异表达分析的统计推断。
空液滴过滤不当会将背景 RNA 误判为细胞，引入噪音信号，干扰聚类和注释。

7. 应用场景

实验设计阶段：根据目标细胞数选择合适的 Barcode 空间和 UMI 长度，避免 Barcode 碰撞。
质控阶段：通过 Barcode 排名图和 UMI 统计评估数据质量，识别和过滤空液滴。
定量阶段：通过 UMI 去重获得无 PCR 偏差的基因表达矩阵。
多样本整合：通过基因型或样本特异性 Barcode 实现多样本混池测序（如 Demuxlet、CellHashing）。

参考资料

Smith et al., 2017. UMI-tools: Extracting cellular signals from multiplexed sequencing data. Nature Methods.
Lun et al., 2019. EmptyDrops: distinguishing cells from empty droplets in droplet-based single-cell RNA sequencing data. Genome Biology.
Zheng et al., 2017. Massively parallel digital transcriptional profiling of single cells. Nature Communications (10x Genomics).
Macosko et al., 2015. Highly parallel genome-wide expression profiling of individual cells using nanoliter droplets. Cell (Drop-seq).