第3章：QC参数配置 —— nFeature_RNA、nCount_RNA、percent.mt的计算与过滤阈值

大家好。数据拿到手了，矩阵也构建好了，接下来就是咱们单细胞分析里最良心的一步：质量控制（QC）。

说白了，QC就是帮你筛掉那些“坏”细胞——死细胞、空液滴、双细胞（两个细胞掉进一个液滴里）。如果这一步偷懒，后面的降维聚类全都会被污染。我也见过一些人跳过QC，结果跑出来一群“死细胞簇”，特征基因全是线粒体基因……那画面，别提多尴尬了。

所以今天咱们就好好聊聊三个最核心的QC指标：nFeature_RNA、nCount_RNA 和 percent.mt。它们的计算逻辑是什么？阈值怎么定？哪些坑最容易踩？

3.1 三个核心指标，各代表什么？

我们先把这三个指标搞明白。你想想看，一个细胞样本经过测序后，每个基因被检测到的次数叫UMI Count（Unique Molecular Identifier）。

• nCount_RNA：细胞中检测到的总UMI数。说白了，就是给这个细胞测了多少条RNA片段。数值太低，可能这个液滴是空的或者细胞已死；数值太高，很可能一个液滴里塞了两个细胞（双细胞）。
• nFeature_RNA：细胞中检测到的基因种类数。我习惯叫它“基因覆盖度”。你可以理解为：这个细胞里有多少种不同的基因被打开了。正常细胞的nFeature应该在几百到几千之间。
• percent.mt：线粒体基因的UMI占总UMI的比例。死细胞的膜会破损，细胞质RNA漏出去，但线粒体因为双层膜结构，DNA/RNA更容易被保留下来。所以percent.mt一高，大概率是细胞在“临终”状态。

3.2 怎么计算这些指标？

在Seurat里，计算这些指标其实一行代码就够了。但前提是你得先有一个矩阵——稀疏矩阵或者数据框。CreateSeuratObject这一步会自动算好nCount_RNA和nFeature_RNA。

# 标准创建流程
pbmc_data <- Read10X(data.dir = "filtered_gene_bc_matrices/hg19/")
pbmc <- CreateSeuratObject(counts = pbmc_data, project = "pbmc3k")

# 这时候 pbmc@meta.data 里已经有 nCount_RNA 和 nFeature_RNA 了
head(pbmc@meta.data)

那percent.mt呢？需要手动添加。Seurat提供了一个非常方便的函数PercentageFeatureSet，你只需要告诉它染色体前缀就行——对人类的线粒体基因，前缀是"MT-"。

# 计算线粒体比例
pbmc[["percent.mt"]] <- PercentageFeatureSet(pbmc, pattern = "^MT-")

# 再查看
head(pbmc@meta.data)

等等，如果你在做小鼠数据，线粒体基因的前缀是"mt-"，大小写不同。我之前帮同事排查时，他用了"^MT-"在小鼠数据上，结果percent.mt全为0，找了一下午……嗯，这个问题确实烦人。

3.3 阈值怎么定？—— 这是个“经验活”

阈值设置是QC里最艺术的地方。没有一刀切的万能参数，但有几个经验法则可以帮你快速起步。

# 绘制QC小提琴图
VlnPlot(pbmc, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)

3.4 过滤参数的代码实现

假设我定好了阈值：nFeature_RNA在200~2500之间，percent.mt小于5%，nCount_RNA小于25000。那在Seurat里过滤是这样的：

# 结合三个条件的过滤
pbmc <- subset(pbmc, subset = nFeature_RNA > 200 & nFeature_RNA < 2500 
               & percent.mt < 5 
               & nCount_RNA < 25000)

3.5 指标之间的关系 —— 帮你识别异常

有时候某个指标单独看没问题，但几个指标组合起来就暴露出问题了。

• nCount_RNA 高 + nFeature_RNA 高：可能是双细胞。因为两个细胞的基因并集肯定比单个细胞大。
• nCount_RNA 高 + nFeature_RNA 低：很可能是某个基因家族过度表达，比如免疫球蛋白基因在B细胞里的情况。这属于生物学信号，不是技术噪声。
• nCount_RNA 低 + percent.mt 高：典型的死细胞特征。RNA已经大量降解，只有线粒体基因残留。

# 散点图：nCount_RNA vs nFeature_RNA
FeatureScatter(pbmc, feature1 = "nCount_RNA", feature2 = "nFeature_RNA")
# 如果散点图右上角出现“尾巴”或单独的小簇，要警惕双细胞。

3.6 常见误区与避坑指南

• 误区：只看percent.mt，不看nFeature_RNA
  实际上，一个细胞如果只有100个基因，即便percent.mt很低（比如2%），它也很可能是空液滴或碎片。nFeature_RNA才是“细胞完整度”的最佳指标。
• 误区：阈值设得太宽
  我见过有人把nFeature_RNA设为 0~100000，理由是“不想丢失数据”。但这样会把大量空液滴和双细胞放进来，后续聚类会出现很多“伪簇”。说白了，这是在自欺欺人。
• 误区：把过滤后的细胞数跟期望值对比
  有些新人做完QC发现只剩50%的细胞，就慌了。其实很正常，尤其在组织样本中（比如脑组织或肿瘤组织），死细胞碎片占比较大，丢失30%-50%是可以接受的。
• 关于不同组织类型：PBMC的线粒体比例通常控制在5%-10%以下，但肝细胞、心肌细胞的线粒体本就很丰富，上限可以放到20%-30%。你想想看，能量代谢旺盛的组织，mito比例自然高。

3.7 实战技巧：QC之后必做的“质量确认”

过滤完千万别直接往下跑。我一般会再做一步：

# 查看过滤后的总细胞数
ncol(pbmc)

# 看各指标的分布
summary(pbmc@meta.data$nFeature_RNA)
summary(pbmc@meta.data$percent.mt)

# 再画一次小提琴图确认过滤效果
VlnPlot(pbmc, features = c("nFeature_RNA", "nCount_RNA", "percent.mt"), ncol = 3)

如果小提琴图的尾巴还没有被去掉（例如nFeature_RNA依然有一小戳细胞在5000以上），就需要回头调整阈值。这一点我在教学时总跟学员强调：QC是一个迭代过程，不是一锤子买卖。