2. 单细胞多组学概论

2.1 为什么需要单细胞多组学

单细胞测序技术发展得很快。早几年大家做单细胞，基本只测转录组。现在不一样了，你可以在同一个细胞里同时看基因表达、染色质开放状态、表面蛋白丰度。我经常被问到的一个问题是：做单细胞已经能分群了，为什么还要折腾多组学？

说白了，转录组只能告诉你细胞"想做什么"，染色质可及性告诉你"有没有准备做"，蛋白质则告诉你"已经做出来了"。三个层面合在一起，才能真正看清一个细胞的完整状态。你想想看，只看RNA水平，有些基因表达量很高，但蛋白可能被抑制了——只看一个模态，容易误判。

2.2 scRNA‑seq 数据特点

单细胞转录组是大家最熟悉的数据类型。每个细胞测到的基因表达量用一个 UMI 计数矩阵表示——行是细胞，列是基因。我在处理 scRNA‑seq 数据时，最直观的感受就是数据太稀疏了。典型的人类细胞大概能测到 3000～5000 个基因，但检测到的基因数只占全部基因的 15%～20%。

• 稀疏性：dropout 事件导致大量基因表达量为 0。这不是基因没表达，而是技术丢失。
• 高维度：人类参考基因约 3 万个，单细胞矩阵的列数动辄 2～3 万。
• 离散计数：UMI 去重后得到的整数计数，适合用负二项分布建模。

2.3 scATAC‑seq 数据特点

染色质可及性数据跟转录组完全不同。每个细胞检测的不是基因表达量，而是基因组上哪些区域是"开放的"。数据矩阵是细胞 × 峰（peak），每个元素要么是 0 要么是 1——开放就是 1，不开放就是 0。我记得有一次做 scATAC‑seq 项目，因为峰值检测的参数没调好，结果把线粒体区域也当成开放峰拉进来了，差点把整个分析带偏。

• 二值稀疏：矩阵稀疏度高达 97%～99%。大部分区域在单个细胞里检测不到信号。
• 峰定义敏感：peak calling 的参数直接影响后续所有分析，不同工具结果差异很大。
• 覆盖度不均：不同细胞、不同区域的测序覆盖深度差异大，需要做偏置校正。

2.4 CITE‑seq 数据特点

CITE‑seq 是两个模态绑定的数据：一端是转录组的 UMI 计数，另一端是抗体标签（ADT）计数。我个人觉得 CITE‑seq 最吸引人的地方是它能在同一个细胞里同时捕获 RNA 和表面蛋白，不再需要靠 mRNA 表达去推测蛋白丰度。不过这种双模态也带来了一些特殊问题。

• 模态尺度差异大：RNA 表达量通常几百到几千，而 ADT 只有几十到几百，直接拼接会出问题。
• 抗体特异性：ADT 的背景信号较高，需要做背景校正和批次归一化。
• 数据补全效应：蛋白信号可以辅助校正 RNA 的 dropout，反过来 RNA 可以帮助推测未检测的蛋白。