单细胞数据预处理工具概述

做单细胞RNA-seq，第一步就是预处理。说白了，就是把测序仪吐出来的原始FASTQ文件，转成我们真正能用的基因表达矩阵。这一步要是做不好，后面的分析全是白搭。我刚开始接触这个领域时，光是在各种工具之间选择就花了两周——嗯，后来发现其实选对工具，能省掉一大批麻烦。

目前社区里最主流的工具，我接触下来就这么三类：Cell Ranger（10x Genomics的亲儿子）、STARsolo（STAR比对器的一个“彩蛋”模式），还有Alevin（Salmon家族的轻量级选手）。它们都能完成预处理，但各有各的脾气。下面我把它们的核心差异、适用场景、以及一些“坑”都摊开来聊聊。

为什么需要多种工具？

想象一下，你手头有100个样本的10x数据，每个样本的测序深度还不一样。你用同一个工具跑，参数该怎么设？Cell Ranger默认的参数可能对高表达基因没问题，但遇到低表达基因或者线粒体污染高的样本，结果就直接崩了。

不同的工具采用不同的比对和定量策略：

• 比对方式：基于参考基因组（如STAR、Hisat2） vs 基于转录组伪比对（如Salmon、Alevin）
• 定量策略：UMI去重算法不同（Cell Ranger用加权、STARsolo用哈希、Alevin用概率模型）
• 内存与速度：有些工具吃内存，有些靠CPU并行堆速度

我在项目中遇到过这样的情况：同一个10x样本，用Cell Ranger跑出5000个细胞，用STARsolo跑出5300个细胞，用Alevin跑出5100个。差异来自哪里？其实主要是细胞-空液滴判定的阈值和UMI校正算法的不同。没有绝对的对错，但你必须理解背后的原因，才能去调整参数。

核心工具详解

1. Cell Ranger（10x官方管线）

如果你用的是10x Genomics的平台，Cell Ranger几乎是“标配”。它集成了一条完整的pipeline：从cellranger mkfastq拆分BCL文件，到cellranger count生成表达矩阵，再到cellranger aggr合并多个样本。

优点：

• 开箱即用，参数极少，初学者也能上手
• 结果可视化好（cloupe文件、Web summary）
• 社区最大，遇到问题容易搜到解决方案

缺点：

• 依赖10x专有的参考文件（需下载或自己构建，比较麻烦）
• 定制化差，比如想修改UMI去重算法？没门
• 对大型参考基因组（如人类+病毒）支持不佳

典型用法：

cellranger count --id=sample1 \
    --transcriptome=/path/to/refdata-gex-GRCh38-2020-A \
    --fastqs=/path/to/fastqs \
    --sample=mysample \
    --expect-cells=5000

2. STARsolo（STAR的预处理模式）

STARsolo是STAR比对器内置的一个模块（从2.7.0版本开始）。你不需要额外安装，只要编译STAR时打开对应选项。它直接在STAR比对的同时完成细胞条形码和UMI的校正，以及基因定量。

优点：

• 速度极快（STAR的比对速度本身就是业界标杆）
• 内存可控制（通过--genomeLoad共享内存，适合大批次样本）
• 输出格式灵活：可以输出Cell Ranger兼容的matrix.mtx，也可以输出自己定制的CSV
• 支持多种单细胞平台（10x、Drop-seq、inDrop等）

缺点：

• STAR参考索引构建耗时且占磁盘
• 参数众多，新手容易乱调
• 官方文档偏深，部分参数说明不直观

典型用法（以10x v3为例）：

STAR --genomeDir /path/to/STAR_index \
    --readFilesIn sample_R2.fastq.gz sample_R1.fastq.gz \
    --readFilesCommand zcat \
    --soloType CB_UMI_Simple \
    --soloCBwhitelist /path/to/3M-february-2018.txt \
    --soloBarcodeReadLength 28 \
    --soloUMIlen 12 \
    --soloStrand Forward \
    --outSAMtype BAM SortedByCoordinate \
    --soloFeatures Gene GeneFull \
    --soloMultiMappers EM

你看，这一长串参数，光soloMultiMappers就有三个选项：Unique、EM、PropUnique。我记得有一次做双技术平台对比，改了这个参数，细胞数差了快20%。所以一定要搞清楚每个参数在干什么。

3. Alevin（Salmon的定量引擎）

Alevin是Salmon套件的一部分，专门为单细胞RNA-seq设计。它最大的特点是“伪比对”——不把读段直接比对到基因组，而是比对到转录组的k-mer索引上，速度极快。而且它原生支持多平台和多模态（比如10x、Drop-seq、Smart-seq2等）。

优点：

• 极快（比STAR还快，因为不需要处理基因组结构）
• 内存占用极低（几GB就能跑人类样本）
• 内置多种去重模型（如simple、deduplicate、cr-like）
• 直接支持定量-降维-聚类一体化（通过alevin-quant + alevin-fry）

缺点：

• 只用到转录组，无法检测新外显子或融合基因
• 参考转录组索引需额外构建（salmon index -t transcriptome.fa -i index）
• 对低质量读段的容忍度不如STAR

典型用法（10x v3）：

salmon alevin -l ISR \
    -1 sample_R2.fastq.gz \
    -2 sample_R1.fastq.gz \
    --chromium \
    -i salmon_index \
    -p 16 \
    -o alevin_out \
    --tgMap tx2gene.tsv \
    --dumpFeatures

工具对比总览

下面这个表格帮你一键对比它们的关键特性：

特性	Cell Ranger	STARsolo	Alevin
比对策略	STAR（基因组）	STAR（基因组）	伪比对（转录组）
定量模型	加权高置信度UMI	Unique/EM/PropUnique	简单/dedup/cr-like
速度（1个样本）	中等（约30分钟）	快（约15分钟）	极快（约8分钟）
内存需求	~32GB	~28GB（可调共享）	~8GB
输出格式	mex + h5 + cloupe	mex / CSV / BAM	quants_mat.gz / RAD格式
多平台支持	仅10x	多种（手动配置）	多种（自动检测）
定制化能力	★☆☆☆☆	★★★★★	★★★★☆
社区与文档	★★★★★	★★★☆☆	★★★★☆

如何选择？

我的个人经验是分场景选：

• 新手/快速出结果：用Cell Ranger。5分钟配置完成，跑完直接看Web summary判断数据质量。
• 大批量样本（50+）或需要定制参数：首选STARsolo。共享内存模式能大幅节省时间，而且可以输出BAM文件供后续处理。
• 内存受限或只关心基因表达量：用Alevin。8GB服务器就能跑人类10x，而且alevin-fry的降维和聚类一步到位，省了后面跑Seurat的功夫。
• 多技术平台混合分析：Alevin或STARsolo都行。但STARsolo需要手动配置条形码白名单，Alevin可以自动猜测平台类型（推荐）。

实际项目选型案例

去年我帮一家生物公司搭建单细胞分析流程。他们有100个人类样本，服务器是128GB内存、32核。我的选择：STARsolo。

1. 原因：样本量大，STAR共享内存模式能利用共享内存加速；需要输出BAM文件用来做下面对照组的变异检测。
2. 过程：我写了30行的Snakemake pipeline，每个样本花费约12分钟，64个样本并行只用了2小时。
3. 结果：表达矩阵质量比Cell Ranger高出5%的基因检出率（后来发现是Cell Ranger的UMI去重阈值设得太保守）。