单细胞RNA测序简介：技术原理、数据特点与常见分析流程概述

1.1 技术原理：从单个细胞到数字化表达谱

单细胞RNA测序，说白了就是把每个细胞当作一个独立的样本，测出它里面到底有哪些基因在活跃表达。你想想看，传统bulk RNA-seq测出来的其实是几十万甚至几百万个细胞的平均信号，就像把一整个合唱团的歌声混在一起听，根本分不清哪个声部出了错。而scRNA-seq能让你听到每个成员的独唱。

目前最主流的技术是10x Genomics的微流控平台。它的原理大致是这样：

1. 组织解离——把实体组织或悬液中的细胞分离开，得到单细胞悬液。
2. 微流控捕获——每个细胞被包裹进一个油滴小液滴里，同时带进去一颗带有独特条形码（barcode）的和UMI（Unique Molecular Identifier）的磁珠。
3. 反转录与扩增——细胞在液滴里裂解后，mRNA被条形磁珠捕获，进行反转录生成cDNA。这里UMI的作用是把每个原始mRNA分子都打上独一无二的“身份标签”，这样后期就能纠正PCR扩增偏向性。
4. 建库测序——打破液滴，收集cDNA，构建测序文库，最后上机测序。

测序得到的结果是fastq文件，经过比对、定量，最终得到一个稀疏矩阵——行是基因，列是细胞，里面的数字是UMI计数。这就是我们后续分析的起点。

1.2 数据特点——高维度、稀疏性与批次效应

单细胞数据长得什么样子？我经常跟新人说：你想象一个Excel表格，基因数量大约两万行，细胞数量可以到几千甚至几十万列。但表格里绝大部分格子都是0。为什么会这样？

这叫做稀疏性（sparsity）。一个细胞里通常只表达几千个基因，剩下的基因要么不表达，要么表达水平太低，测不到。这种大量缺失的现象在业内也叫dropout。说白了就是技术上的“漏检”。

除了稀疏，还有高维度——变量（基因）远大于样本（细胞）。这是典型的“小n大p”问题，传统统计方法在这里基本不好使，必须用机器学习的方法降维。

再一个就是本课程的核心痛点：批次效应。我在第一次处理两个不同时间点做的样本时，发现聚类结果完全按测序批次分开，而不是生物学条件。嗯，这里要注意——批次效应不是噪声那么简单，它会直接掩盖真实的生物学差异。

我把scRNA-seq和传统bulk RNA-seq的数据特点做个对比，你看一眼就明白了：

1.3 常见分析流程概览

现在你拿到一个scRNA-seq数据集了，从原始数据到生物学结论，一般走这么几步：

• 质控（QC）——去掉低质量的细胞和双细胞。看三个指标：UMI总数、检测到的基因数、线粒体比例。我个人习惯用Seurat的subset()配合小提琴图筛选。
• 标准化——校正文库大小差异和基因表达变异。传统方法是NormalizeData()加log变换，但这里有个坑：它不能处理高表达基因带来的技术噪声。这就是为什么SCTransform后来被广泛使用。
• 高变基因选择——找到在细胞间变异程度最大的基因，用于后续降维。
• 降维与可视化——PCA做初步降维，然后用t-SNE或UMAP可视化。我个人偏爱UMAP，速度快，全局结构保持好。
• 聚类与注释——找到细胞群体，并根据marker基因赋予细胞类型标签。
• 差异表达与功能分析——比较不同细胞群或不同条件的表达差异，做GO/KEGG等。

你可以看看下面这张图，它把这些步骤串成了一个完整的工作流：

这个流程看起来很简单，但每一步都有很多可发挥的空间。例如标准化这一步，传统的LogNormalize方法只能做简单的文库大小校正，而SCTransform则引入了正则化负二项模型，能更有效地消除技术噪声和批次效应。

我建议你刚开始学习时，先用一个经典数据集（比如10x Genomics提供的pbmc3k）跑通整个流程，感受各个步骤的输出。具体的代码和参数设置，我后面会一一展开。记住一句话：单细胞分析不是流水线，每一步都需要你根据数据特点主动选择工具。