2. 单细胞转录组测序技术概述：10x Genomics原理、原始数据格式、表达矩阵构建

好，咱们直接切入正题。做拟时序分析，你手里得有数据吧？数据怎么来的？说白了，大部分单细胞转录组数据都是靠 10x Genomics 平台跑出来的。我刚开始接触单细胞时，心里也有个疑问：这玩意儿到底是怎么把一个一个细胞“分开”测序的？

这一章，我就把这背后的逻辑给你捋清楚。搞懂了数据源头，后面用 Monocle 做分析，你才知道每个参数在控制什么。

2.1 10x Genomics 的核心原理：微流控与 Barcode

10x 平台最聪明的地方，就是用了 微流控 技术。它能让单个细胞和带有独特标签的凝胶微珠（Gel Bead）一起，被油滴包裹起来，形成一个微小的反应室——我们叫它 GEMs（Gel Bead in Emulsion）。

每个凝胶微珠上，都附着了几百万条相同的寡核苷酸序列。这条序列包含了几个关键部分：

  • Illumina P5/P7 序列：用于后续测序的接头。
  • 10x Barcode：一个 16bp 的独特序列。同一个微珠上的所有序列，Barcode 都一样。这就是你区分不同细胞的“身份证”。
  • UMI（Unique Molecular Identifier）：一段 10-12bp 的随机序列，用来标记原始 mRNA 分子。同一个基因的转录本，如果 UMI 不一样，就意味着它们是不同的原始分子。
  • Poly-dT 序列：用来捕获带有 poly-A 尾的 mRNA。

嗯，这里要特别留意：Barcode 是用来区分细胞的，UMI 是用来区分分子的。这两个概念一旦混淆，你的分析结果就会出大问题。我在一次项目中，发现一个样本的细胞数异常高，后来排查日志才发现，是 Barcode 和 UMI 的读取顺序在配置文件中写反了。那个坑，我踩过。

关键点：10x 微流控技术通过 Barcode 给每个细胞“贴标签”，通过 UMI 给每个 mRNA 分子“贴标签”，从而实现高通量、低成本的单细胞分析。

2.2 原始数据格式：从 BCL 到 FASTQ

测序仪出来的原始数据，是 BCL（Base Call）格式的。你拿到手肯定不是这个，因为下游软件没法直接读它。需要用 cellranger mkfastq 这个命令，把它转换成通用的 FASTQ 格式。

一次标准的 10x 3' 单细胞测序，会产生两个主要的 FASTQ 文件（R1 和 R2）：

  • R1：包含 16bp 的 Barcode 和 10bp 的 UMI。
  • R2：包含 转录本的 cDNA 序列（实际的基因序列）。

你们在公共数据库（比如 GEO）下载数据时，看到的文件大概长这样：

Sample_S1_L001_R1_001.fastq.gz
Sample_S1_L001_R2_001.fastq.gz

_R1_ 就是带细胞身份证的文件，_R2_ 是基因序列。千万别搞混。我见过有人把 R1 和 R2 当成两个生物学重复来分析，结果整了半个月发现数据对不上。那个表情，相当精彩。

注意：某些文库类型（如 5' 或 VDJ）的 FASTQ 结构可能不同，R1 可能只包含 Barcode，UMI 会被放在 R2 的开头。使用前务必查阅对应试剂盒的文献说明。

2.3 表达矩阵的构建：cellranger count

有了 FASTQ，接下来就要用 10x 官方的核心工具——cellranger count——来生成表达矩阵。这个命令会执行三个主要步骤：

  1. 比对（Alignment）：把 R2 中的 cDNA 序列比对到参考基因组上。
  2. Barcode 校正与 UMI 去重：校正错误的 Barcode，并去除因 PCR 扩增产生的重复 UMI。
  3. 定量：统计每个细胞（Barcode）中，每个基因被检测到的 UMI 数量。

最终输出的三个核心文件，都在 outs/ 目录下：

文件名 格式 内容说明
filtered_feature_bc_matrix.h5 HDF5 过滤后的细胞-基因表达矩阵，二进制格式，加载快。
filtered_feature_bc_matrix/ MTX + CSV 文本格式的过滤矩阵，包含三个文件：barcodes.tsv.gz, features.tsv.gz, matrix.mtx.gz。
metrics_summary.csv CSV 分析报告，包含测序饱和度、细胞数、基因检出率等关键质控指标。

我个人习惯，在正式做 Monocle 分析前，一定会先看一眼 metrics_summary.csv 文件。如果测序饱和度低于 50%，或者细胞数跟预期差太多，我会直接回到这一步重新检查参数。

小技巧：MTX 格式的文件虽然用起来稍麻烦（需要读三个文件），但它是 R 语言（Seurat、Monocle）和 Python 环境通用的标准格式。如果你要在多个工具间切换，用 MTX 最稳妥。

你看，整个流程听起来复杂，其实核心就是三个词：Barcode（给细胞编号）、UMI（给分子编号）、比对定量（算账）。搞懂这三步，你手里的表达矩阵就不是一个黑盒了。

为了让你理解得更直观，我画了一张流程图，帮你把今天讲的内容串起来。

10x Genomics 单细胞转录组测序流程 单细胞悬液 + 凝胶微珠 GEMs 形成（油包水） mRNA 逆转录 + Barcode 标记 Illumina 测序 → BCL 数据 cellranger count → 表达矩阵 关键概念 1. 每个 GEM 最多包裹 1 个细胞。 2. Barcode：16bp， 区分不同细胞。 3. UMI：10-12bp， 区分分子来源。 4. 输出文件分布： outs/ └── filtered_feature └── _bc_matrix ├── barcodes.tsv.gz ├── features.tsv.gz └── matrix.mtx.gz └── metrics_summary.csv

嗯，这张图基本把上午我们聊的流程都概括了。从细胞悬液到最终的表达矩阵，每一步都有它存在的意义。很多新手觉得单细胞分析就是跑个软件，但我还是那句话：理解数据怎么来的，比会跑命令重要得多。

← 上一章 📖 返回目录 下一章 →