scRNA-seq 总览

快速概览

scRNA-seq 是在单细胞分辨率下研究基因表达的技术。它打破了传统 Bulk 测序的「平均值」迷思，允许我们识别稀有细胞群、追踪发育轨迹并解析组织异质性。

• 理解 scRNA-seq 与 Bulk RNA-seq 的本质差异：从"果昔"到"水果切盘"
• 掌握主流平台（10x Genomics, Smart-seq2）的捕获原理与优劣
• 掌握 scRNA-seq 标准分析管线：质控、归一化、降维、聚类
• 理解 UMI 统计原理如何校正 PCR 扩增偏差

前置知识

• 生物学基础对象
• 测序 Reads 与覆盖度
• RNA-seq 工作流

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. 任务目标

scRNA-seq 分析流程的核心目标是：将原始测序数据转化为可解释的细胞图谱。具体包括：

• 从混合细胞群体中识别不同的细胞类型和亚群。
• 发现稀有细胞群体（如干细胞、过渡态细胞）。
• 追踪细胞分化的动态过程（轨迹推断）。
• 量化细胞间的基因表达差异（差异表达分析）。
• 整合多样本数据以进行跨条件比较。

2. 为什么需要单细胞测序？

Bulk RNA-seq 的局限：测量的是成千上万个细胞的平均表达水平。这会掩盖：

• 稀有细胞：如干细胞或免疫亚群。
• 异质性：即便外观相同的细胞，表达状态也可能完全不同。
• 动态过程：如细胞分化的中间态。

scRNA-seq 的方案：为每个细胞打上唯一的 Cell Barcode，从而在合并测序后能通过计算手段将 Reads 重新分配回原始细胞。

一个直观的比喻

Bulk RNA-seq 就像把一篮水果打成果昔后分析其成分——你知道整体的营养比例，但不知道每种水果各贡献了多少。scRNA-seq 则像是把水果切成小块逐一分析——你能知道每种水果的特征，甚至发现混入的稀有品种。

3. 核心技术组件

Cell Barcode

识别细胞身份的 DNA 标签。同一细胞产生的所有 Read 携带相同的 Barcode。

UMI (Unique Molecular Identifier)

识别原始 RNA 分子的 DNA 标签。用于区分真实的分子扩增与 PCR 重复，是单细胞定量的基石。

液滴法（Droplet-based）

如 10x Genomics。通量极高（数万细胞），但通常只覆盖转录本的 3' 端。

平板法（Plate-based）

如 Smart-seq2。通量较低，但能实现全长转录本覆盖，灵敏度更高。

主流平台对比

特性	10x Genomics (液滴法)	Smart-seq2 (平板法)	Drop-seq	SPLiT-seq
通量	500-10,000 细胞/样本	96-384 细胞/板	数千细胞	数万细胞
覆盖区域	3’ 端或 5’ 端	全长	3’ 端	3’ 端
灵敏度	中等	高	中低	中等
成本/细胞	低	高	低	极低
UMI 支持	是	否	是	是
适用场景	大规模细胞图谱	等位基因特异性、可变剪接	成本敏感的大规模分析	固定组织/超大规模

技术原理：以 10x Genomics 为例

10x Chromium 系统的工作流程可以概括为以下步骤：

1. 单细胞悬液制备：将组织解离为单细胞悬液。
2. 微流控分装：在微流控芯片中，细胞与凝胶珠（Gel Bead）被包裹在油包水液滴中。凝胶珠上携带数百万条引物，每条引物包含相同的 Cell Barcode、随机 UMI 和 Poly(dT) 序列。
3. 逆转录：在液滴内，mRNA 通过 Poly(A) 尾与引物结合，逆转录生成带有 Barcode 和 UMI 的 cDNA。
4. 液滴破碎与扩增：破碎液滴，合并所有 cDNA，进行 PCR 扩增。
5. 文库构建与测序：添加测序接头，在 Illumina 平台上进行高通量测序。

4. 输入与输出

输入

• 原始数据：FASTQ 文件（通常包含 Read 1 的 Barcode+UMI 和 Read 2 的 cDNA 序列）。
• 参考基因组：包含基因注释的参考基因组索引（如 GRCh38 + GENCODE 注释）。

输出

• 表达矩阵：基因 $\times$ 细胞的稀疏计数矩阵（通常为 Matrix Market 格式）。
• 细胞元数据：每个细胞的质控指标、聚类标签、降维坐标、注释信息。
• 基因元数据：每个基因在高变异基因选择中的状态、差异表达统计量。

典型数据规模

数据类型	典型规模
细胞数	1,000 - 100,000+
基因数	20,000 - 30,000
每细胞 UMI 数	1,000 - 50,000
每细胞检测基因数	500 - 5,000
矩阵稀疏度	90% - 98%

5. 步骤总览

scRNA-seq 标准分析流程总览

scRNA-seq 标准分析流程包含以下关键步骤：

1. 预处理（Preprocessing）：比对基因组，利用 Barcode 分配细胞，利用 UMI 去重。
2. 质控（QC）：过滤掉死细胞（线粒体基因占比过高）和空液滴（检测到的基因数太少）。
3. 归一化（Normalization）：消除细胞间的测序深度差异。
4. 特征选择（Feature Selection）：选择高变异基因用于降维。
5. 降维（Dimensionality Reduction）：先用 PCA 提取主成分，再用 UMAP/t-SNE 进行二维可视化。
6. 聚类（Clustering）：基于降维后的特征，利用 Leiden 或 Louvain 算法自动划分细胞群。
7. 注释（Annotation）：寻找每个群的差异表达基因（Marker Genes），结合生物学知识确定细胞类型。
8. 下游分析：差异表达、轨迹推断、细胞通讯分析等。

6. 每步依赖与常见错误

6.1 预处理

依赖：参考基因组索引、FASTQ 文件。

常见错误：

• 使用了错误的参考基因组版本（如 GRCh37 而非 GRCh38），导致基因注释不匹配。
• 忽略了 Barcode 白名单过滤，保留了大量空液滴的 Reads。
• STARsolo 和 cellranger 的参数设置不一致，导致比对率差异。

6.2 质控

依赖：表达矩阵。

质控指标与典型阈值：

指标	含义	典型过滤阈值
nGenes（检测到的基因数）	细胞的信息丰富度	200 < nGenes < 6,000
nUMI（总 UMI 计数）	测序深度	视实验而定，通常 >500
%mt（线粒体基因占比）	细胞应激/死亡程度	< 10-20%
%hb（血红蛋白基因占比）	红细胞污染	< 1-5%（血液样本）

常见错误：

• 对所有样本使用相同的固定阈值，忽略了样本间的技术差异。应基于数据的分布（如 MAD 规则）设定动态阈值。
• 过度过滤导致丢失稀有细胞群。稀有细胞通常 UMI 较低，需要结合 marker 基因表达来确认。
• 忽略 Doublet（双联体）检测。参见 Doublet 检测。

6.3 归一化

依赖：质控后的表达矩阵。

scRNA-seq 中最常用的归一化方法是CPM + 对数变换（Scanpy）或 SCTransform（Seurat）：

CPM 归一化：

$$x_{ij}^{\text{norm}} = \frac{x_{ij}}{\sum_g x_{ig}} \times 10^4$$

对数变换：

$$x_{ij}^{\log} = \log_1(x_{ij}^{\text{norm}} + 1)$$

SCTransform 使用正则化负二项回归模型，同时完成归一化、方差稳定化和特征选择，是更现代的方法。

常见错误：

• 使用 TPM/FPKM 等适用于 Bulk RNA-seq 的归一化方法。单细胞数据因为捕获效率的细胞间差异，需要基于细胞总量的归一化。
• 未进行对数变换，导致高表达基因主导下游分析。

6.4 特征选择

依赖：归一化后的表达矩阵。

选择高变异基因（Highly Variable Genes, HVGs）是降维前的关键步骤。标准方法：

1. 对每个基因计算其均值 $\mu_g$ 和方差 $\sigma_g^2$。
2. 对基因按均值分箱，在每个箱内标准化方差，得到标准化方差。
3. 选择标准化方差最高的 1,000-3,000 个基因。

常见错误：

• 纳入线粒体基因、核糖体基因等非信息基因作为高变异基因。应在 HVG 选择前过滤这些基因。
• 选择过多的高变异基因（如 >5,000），将噪音引入降维空间。

6.5 降维与聚类

依赖：高变异基因子矩阵。

常见错误：

• PCA 使用了错误的主成分数量。参见 聚类与 UMAP 中的详细讨论。
• 直接在原始高维空间进行聚类而非 PCA 降维后。
• k-NN 图的 $k$ 值选择不当。

6.6 注释

依赖：聚类结果、差异表达基因列表。

常见错误：

• 仅依赖单个 marker 基因注释细胞类型。应结合多个 marker 基因的表达模式进行综合判断。
• 忽略已知数据库（如 CellMarker、PanglaoDB）中的参考信息。

7. 统计学考量：Dropout 与稀疏性

由于单细胞中 RNA 含量极低，捕获过程具有高度的随机性。

Dropout 现象

某个基因在细胞中确实表达，但因为没被捕获到而显示为 0。Dropout 率与基因表达量负相关：低表达基因的 Dropout 率可能高达 80% 以上。

后果：产生极度稀疏的表达矩阵（通常 90% 以上为 0），这要求下游算法（如轨迹推断）必须具有极强的统计鲁棒性。

Dropout 的数学解释

假设基因 $g$ 在细胞 $c$ 中的真实表达量为 $\lambda_{gc}$ 个 mRNA 分子，捕获效率为 $\phi$（通常 10-30%）。实际被捕获的分子数服从泊松分布：

$$n_{gc} \sim \text{Poisson}(\phi \cdot \lambda_{gc})$$

当 $\phi \cdot \lambda_{gc}$ 很小时（如 $\lambda_{gc} = 1$，$\phi = 0.1$），$P(n_{gc} = 0) = e^{-0.1} \approx 0.90$，即有 90% 的概率观测到 0。这就是 Dropout 的统计学根源。

缓解策略

策略	方法	效果
Imputation	MAGIC, SAVER, scImpute	填补零值，但可能引入假阳性
模型层面处理	ZINB-WaVE, scVI	在模型中显式建模 Dropout
增大测序深度	提高每细胞 Reads 数	降低 Dropout 率，但成本增加
选择高捕获效率平台	Smart-seq2	灵敏度更高，但通量低

8. 对应算法模块

scRNA-seq 分析流程中涉及的核心算法模块及其对应页面：

分析步骤	核心算法	对应页面
Barcode 分配	序列比对、白名单过滤	细胞 Barcode 与 UMI
UMI 去重	邻域聚类、方向性合并	细胞 Barcode 与 UMI
降维	PCA、UMAP	聚类与 UMAP
聚类	Leiden/Louvain 图社区检测	聚类与 UMAP
轨迹推断	伪时间、RNA Velocity	轨迹推断
Doublet 检测	人工模拟、k-NN 评分	Doublet 检测

9. 注意事项

实验设计阶段

• 样本量规划：生物学重复比技术重复更重要。3 个以上生物学重复是最低要求。
• 细胞数目标：对于稀有细胞检测，需要足够的细胞数以保证统计功效。估计稀有细胞比例 $p$，检测 $k$ 个稀有细胞所需的最低细胞数为 $N \approx k / p$。
• 对照设计：应设置适当的对照组（如野生型 vs. 突变型），以便进行差异表达分析。

数据分析阶段

• 批次效应：不同批次、不同实验日期的数据可能存在系统性差异。需要使用 Harmony、scVI、BBKNN 等工具进行批次校正。
• 数据整合：整合多个数据集时，应先进行批次校正，再进行联合聚类和注释。
• 可重复性：设置随机种子，记录所有参数和软件版本，确保分析可重复。

10. Worked Example：PBMC 数据分析

外周血单核细胞（PBMC）是 scRNA-seq 最常见的验证数据集之一。

数据概况：

• 2,700 个 PBMC 细胞（来自 10x Genomics 官方教程数据）
• 13 个基因的原始表达矩阵

分析结果：

• 质控后保留约 2,600 个细胞（过滤掉 UMI ＜200 和线粒体比例 ＞5% 的细胞）
• Leiden 聚类（resolution=0.5）识别出 8 个 cluster
• 通过 marker 基因注释为：Naive CD4+ T、CD14+ Monocyte、B 细胞、CD8+ T 细胞、NK 细胞、FCGR3A+ Monocyte、Dendritic 细胞、Megakaryocyte

典型 marker 基因：

细胞类型	正向 marker 基因
Naive CD4+ T 细胞	IL7R, CCR7
CD14+ Monocyte	CD14, LST1
B 细胞	MS4A1 (CD20)
CD8+ T 细胞	CD8A, CD8B
NK 细胞	NCAM1 (CD56), GNLY
Dendritic 细胞	FCER1A, CST3

11. 后续阅读

完成 scRNA-seq 标准流程后，可以根据研究目标深入以下方向：

• 轨迹推断：追踪细胞分化的动态过程。参见 轨迹推断。
• 细胞通讯分析：推断细胞间的配体-受体互作（如 CellChat、NicheNet）。
• 空间转录组整合：将 scRNA-seq 数据映射到空间坐标。参见 空间去卷积。
• 多组学整合：scATAC-seq + scRNA-seq 联合分析（如 Signac、ArchR）。
• 大规模整合分析：如 Human Cell Atlas、Tabula Muris 等图谱级项目。

常见误区

• 更多细胞数一定带来更好的结果：
• 不是。细胞数增加会提高检测稀有细胞群的能力，但也同时增加 Doublet（双联体）率、计算成本和批次效应的复杂性。如果细胞捕获质量差或样本本身异质性低，盲目追求细胞数反而可能引入更多噪声。关键是在细胞数和数据质量之间取得平衡，并做好 Doublet 检测与去除。
• 聚类数量由算法自动决定：
• 不是。Leiden/Louvain 算法的 resolution 参数直接控制聚类粒度，不同 resolution 下聚类数量可以差异很大。不存在"自动确定最优聚类数"的魔法——研究者需要结合 marker 基因表达、已知细胞类型和生物学先验知识来判断合理的分群方案。更推荐的做法是尝试多个 resolution，比较结果的生物学合理性。
• 归一化可以消除所有技术偏差：
• 不能。归一化（如 CPM、SCTransform）只能校正测序深度等部分技术因素。其他偏差来源——如细胞周期效应、线粒体应激、批次效应、捕获效率差异——需要专门的方法处理（如细胞周期回归、批次校正）。把归一化当作万能的去噪步骤是初学者最常见的技术错误之一。

相关页面

细胞 Barcode 与 UMI

单细胞定量的分子基础

延伸阅读

聚类与 UMAP

解析异质性的算法实现

延伸阅读

轨迹推断

追踪细胞分化的动态过程

延伸阅读