3. 双细胞对下游分析的影响
说实话，我在接手单细胞项目之初，也踩过不少双细胞留下的坑。有几次，我辛辛苦苦做完聚类、跑完差异分析、标注好细胞类型，结果送审时 reviewer 直接问了一句：“你确定你的那个稀有亚群不是双细胞？”——嗯，那个项目差点要多补三个重复实验。从那以后，每一批数据，我都会在预处理环节专门盯着双细胞不放。
这一章，我们就来拆解双细胞到底怎么祸害下游分析。你理解了它的破坏力，才有动力老老实实地把它揪出来。
3.1 聚类偏差：虚假亚群与簇间污染
聚类算法，比如 Louvain、Leiden，靠的是细胞之间的表达距离。一个双细胞同时表达两个不同谱系的基因，它的表达谱会被“拉”到中间位置。这在降维图上会产生什么效果？
- 形成独立小簇：如果双细胞来自两个分化程度很远的细胞类型（比如 T 细胞和上皮细胞），它的基因表达谱会和任何单个细胞都不像。它会在 UMAP/t-SNE 上自己撑起一个“孤岛”。看起来像是一个独立的细胞亚群，而且可能还有几个靠得很近的“邻居”（也是双细胞）。我就在一个肺癌数据里见过这种小簇，用 marker 一查，既表达 CD3D 又表达 KRT19——显然是 T-上皮双细胞，根本不是新亚型。
- 扭曲真实簇的边界：如果是两个相似的细胞类型（比如 CD4+ T 和 CD8+ T）的混合，双细胞会落在两个簇的中间，硬生生把两个原本清晰分开的簇“拽”到一起。结果聚类分辨率调高时，它们合并成一个簇；调低时，又可能把真实细胞分裂开。你想想看，这种不确定性会导致后续所有分析都不可靠。
- 改变簇内方差：双细胞让簇内表达方差变大，严重时可能让聚类算法认为这个簇“不够均匀”，进而进一步分裂——于是出现更多虚假子簇。
3.2 差异表达假阳性：双细胞带来的伪差异基因
当我们找到某个“新亚群”，下一步就是差异表达分析，想找出它特异表达的基因。但双细胞会在这里埋下最大的雷——伪差异基因。
为什么会这样？一个双细胞同时表达两个细胞的基因。假设你比较 A 群体（全是双细胞） vs B 群体（真实细胞），A 群体里每个细胞都天然带有两份基因表达量。比如说，双细胞里同时有高表达的 CD3D 和 KRT19，那么这两个基因在 A 群体里的平均表达量就显著高于 B 群体。在统计检验中，它们很可能会被标记为“差异表达基因”。你看，这哪是生物学差异？纯粹是技术噪音。
我记得有一个单细胞免疫分析项目，我同事发现了 200 多个在某个“过渡状态”中上调的基因。我提议先跑一下双细胞检测——结果那批所谓“过渡态细胞”的 doublet score 全部 >0.8。去掉这些双细胞后，那个亚群直接消失了，那 200 个基因里 80% 都不再显著。说白了，整个故事的基础就是假的。
差异表达假阳性在实际数据中表现为：
| 假阳性来源 | 表现特征 | 后果 |
|---|---|---|
| 双细胞同时表达两种谱系基因 | 在差异检验中两个谱系标志物都显著上调 | 误认为存在混合表型或共表达现象 |
| 异质性双细胞（如细胞周期+静止期） | 细胞周期相关基因和静息标志同时升高 | 错误推断细胞处于“激活且静息”的矛盾状态 |
| 同类型双细胞（两个同一细胞黏连） | 所有基因表达量几乎翻倍，但ratio正常 | 在基于count的差异检验中被识别为“高表达亚群” |
3.3 细胞类型误判：稀有亚群还是双细胞混合体？
这是最让我头疼的一个影响。临床样本的细胞类型注释通常依赖 marker 基因的组合。双细胞因为同时表达两个谱系的 marker，很容易被误判为“过渡态”、“中间态”或“双阳性细胞”。
举个例子：你看到一簇细胞同时高表达 CD4（T 辅助细胞 marker）和 CD19（B 细胞 marker）。在免疫学里，几乎不存在真实的 CD4+CD19+ 细胞。但在单细胞数据里，这种双阳性很可能只是两种细胞在液滴滴定时被包裹到了一起。我曾在一个淋巴结数据中批注了一群“CD4+ 记忆 B 细胞”——后来才发现它们是 T-B 双细胞。幸亏我没急着发论文。
更隐蔽的是同种类型不同状态的双细胞。比如一个静息 T 细胞和一个活化 T 细胞包裹在一起，你会看到一个既表达 naïve marker 又表达 effector marker 的“中间状态”。这种双细胞在 UMAP 上往往正好落在 naïve 和 effector 两个簇之间，完美伪装成真实的过渡状态。
为了避免这种误判，我个人习惯在做完初步 cell type annotation 后，额外做两件事：
- 检查可疑亚群的双细胞打分：用 DoubletFinder 预测每个细胞的 doublet score，如果可疑亚群的中位分数远高于相邻亚群，直接标记为“疑似双细胞”。
- 逻辑校验：一个细胞类型不应该同时表达两个互相排斥的 lineage marker（比如 RBC 特异的 HBB 和 T 细胞的 CD3D）。出现这种组合，优先怀疑双细胞，而不是“新型细胞”。