第一章 单细胞测序技术概览：10x Genomics vs Drop-seq 的技术对比与应用场景
1.1 为什么需要单细胞测序？
单细胞测序，说白了就是把组织拆成一个个细胞，分别测它们的RNA表达。传统bulk RNA-seq测的是细胞群体的平均值，肿瘤细胞和正常细胞混在一起，信号互相稀释。你想想看，一个肿瘤样本里如果有10%的稀有亚群，在bulk数据里几乎看不到它的存在。
我记得2018年第一次拿到单细胞数据时，那个分辨率让我很震撼——能看到哪些细胞在活跃增殖，哪些在静息，甚至能追踪到分化路径。但我刚开始也踩过坑——以为单细胞数据量大就能随便分析，结果批次效应处理不好，结论全是假的。嗯，这行讲究的不只是测序技术本身，数据处理同样关键。
核心价值：单细胞测序能在细胞粒度上解析异质性，发现稀有亚群、重建发育轨迹、揭示细胞间通讯。没有它，很多生物学问题根本回答不了。
1.2 10x Genomics：工业级的微滴解决方案
10x的Chromium系统，本质上是油包水微滴技术。它把细胞和含条形码的凝胶微珠封装到纳升级的GEMs（凝胶微滴）里，每个微滴里完成反转录和条形码标记。流程很成熟，试剂盒化、自动化程度高。
我个人喜欢10x的一点是它的数据一致性——同一批样本的 replicates 之间相关性通常在0.95以上。对于需要发表对比结果的项目，这个稳定性很关键。但它也有代价：试剂成本高，一台仪器也不便宜。
技术参数速览
- 细胞捕获效率：~65%（官方数据，实际在50-70%浮动）
- 通量：每通道500-10000个细胞，可同时运行多个通道
- 基因检测灵敏度：每个细胞中位数2000-5000个基因
- 运行时间：从样本到文库约1天
下面是10x标准分析流程的命令示例——我建议刚接触的人先跑一遍Cell Ranger的测试数据，熟悉输出结构。
cellranger count --id=test_sample \
--transcriptome=/refdata/GRCh38-2020-A \
--fastqs=/data/fastqs \
--sample=Sample1 \
--localcores=8 \
--localmem=64我的习惯：10x的FastQ命名有严格规则——SampleName_S1_L001_R1_001.fastq.gz，少了任意一段都会导致Cell Ranger报错。建分析目录时一定检查文件名格式。
1.3 Drop-seq：开放平台的灵活之选
Drop-seq是McCarroll实验室在2015年开发的开放方案。它也用微滴技术，但微珠不是商品化的凝胶微珠，而是自己合成的带条形码的微珠。说白了，10x是"开箱即用"，Drop-seq是"DIY套件"——灵活性更高，但对操作的要求也更高。
我在项目里用过Drop-seq做大规模药物筛选的扰动实验，通量可以扩展到几万个细胞，成本只有10x的1/3左右。但代价也很明显：实验室间的重复性差异大，数据质量控制难度高。
技术参数速览
- 细胞捕获效率：~5-15%（受微珠质量和操作影响大）
- 通量：一次实验可处理数千至数万个细胞
- 基因检测灵敏度：每个细胞中位数1000-3000个基因
- 运行时间：从样本到文库约1.5-2天
Drop-seq的数据分析通常用官方工具包。下面是我经常用的DigitalExpression命令：
java -jar DropSeqTools.jar DigitalExpression \
I=aligned.bam \
O=expression_matrix.dge.txt.gz \
SUMMARY=summary.txt \
MIN_BC_READ_THRESHOLD=100 \
MIN_NUM_GENES_PER_CELL=500我曾经踩过的坑：Drop-seq的微珠合成批次差异很大，不同批次的条形码分布可能不同。我有一批数据因为没有做批间归一化，细胞聚类直接按批次分开，花了三周才排查到原因。如果你用Drop-seq，记得在实验设计阶段就把批次因素考虑进去。
1.4 全维度对比：一张表看懂差异
下面这个表我整理了两种技术的核心差异。为什么说"核心"？因为选择哪种技术，看这几个维度就够了。
| 对比维度 | 10x Genomics | Drop-seq |
|---|---|---|
| 技术原理 | 油包水微滴 + 凝胶微珠 | 油包水微滴 + 合成微珠 |
| 细胞捕获效率 | ~65% | ~5-15% |
| 基因检测灵敏度 | 高（每细胞2000-5000基因） | 中（每细胞1000-3000基因） |
| 单样本成本 | 高（约$1500-3000） | 低（约$300-800） |
| 通量 | 每通道500-10000细胞 | 可扩展至数万细胞 |
| 商业化程度 | 完整试剂盒 + 自动化平台 | 开放方案，需自制试剂 |
| 数据稳定性 | 高（批间相关性>0.95） | 中（依赖操作经验） |
| 适合场景 | 精准医学、临床对比、发表 | 大规模筛选、探索性研究、预算有限 |
你看，其实没有绝对的好坏。10x贵但稳定，Drop-seq便宜但需要更多技术储备。选择哪种，取决于你手里的牌——预算、样本量、团队经验。
下面这张图可以直观看到两种技术的实验流程和数据产出差异：
1.5 实战选择：什么场景用什么技术？
我遇到过不少朋友一上来就问"哪个技术更好？"——其实没有标准答案。看需求说话。
- 临床对比研究（疾病 vs 对照）——我建议用10x。数据稳定性高，审稿人认可度高，批间差异好控制。虽然贵，但可靠性值得。
- 大规模药物筛选——Drop-seq更合适。几十个化合物处理下来，10x的成本会让人崩溃。Drop-seq的通量优势在这里很明显。
- 探索性稀有多样性分析——首选10x。捕获效率高意味着能抓到更稀有的细胞亚群，Drop-seq的低效率会漏掉很多信息。
- 预算有限的教学/培训——Drop-seq可以让更多学生动手操作，理解微滴技术的原理。10x太贵了，不舍得给学生练手。
我的建议：如果你团队刚起步，又没有单细胞实验经验——先从10x做起。等熟悉了数据分析流程，再考虑Drop-seq的降本方案。直接上Drop-seq可能会因为操作经验不足而浪费大量样本。
重要提醒：不管选哪种技术，实验设计阶段一定要预留批次对照。我见过太多单细胞项目因为忽略批次效应，数据分析阶段才发现组间差异和技术批次混杂在一起，根本无法解释。同一个样本分两管，分散在不同批次里——这个钱不能省。
好了，第一章的内容就到这里。核心是让你建立起10x和Drop-seq的技术认知框架——它们各自的原理、优劣、以及什么场景该选谁。后面的章节我们会深入每种技术的数据处理细节，包括实际的代码操作和调参经验。