10x Genomics 技术原理：微滴包裹、barcode 设计、文库构建与数据特点

各位好，今天我们来聊聊 10x Genomics 这套系统是怎么工作的。说实话，我第一次接触 10x 数据时，也被它背后的工程化设计震住了——它把单细胞测序从“手工定制”推到了“工业流水线”的水平。

10x 的核心思路很简单：给每个细胞一个独特的身份证——barcode。但这张身份证怎么发到每个细胞手里？发证后怎么读取？数据长什么样？这里头门道不少。我带大家一层层拆开看。

微滴包裹：让每个细胞住进独立小房间

10x 的 Paired-Lend 微流控芯片，说白了就是让细胞、酶、凝胶珠在一个小液滴里“相遇”。

• 微流控芯片：它有三个入口，分别通入含有细胞的悬液、含有逆转录酶的水相、以及含有 barcode 凝胶珠的油相。
• 液滴生成：水相和油相在芯片的“十字交叉口”相遇，在剪切力作用下形成微小的油包水液滴。每个液滴大约含一个细胞、一个凝胶珠和必要的酶。
• 凝胶珠：这是 10x 的“灵魂”所在。每个凝胶珠表面附着数百万条由Barcode + UMI + Poly(dT) 组成的捕获探针。

嗯，这里要注意：微滴包裹的关键是保证“每个液滴中，细胞数与凝胶珠数的比例约为 1:1”。为什么？比例高了，一个液滴里进两个细胞，会造成“双重细胞”；比例低了，大量凝胶珠会空跑。我在项目中遇到过，上机前一定要花时间算好细胞浓度和活性，否则后续分析会非常痛苦。

# 微滴生成过程中的典型参数（来自 10x 官方 protocol）
细胞悬液浓度：700 - 1200 cells/µL
细胞活性：>80%（通常要求 >90%）
目标回收细胞数：500 - 10,000 个
微滴大小：~80 µm（直径）
凝胶珠大小：~40 µm（直径）
油相流速：4.5 mL/min
水相流速：1.5 mL/min
液滴生成频率：约 2000 液滴/秒

Barcode 设计：给每个分子刻上独一无二的编号

微滴包裹只是第一步。真正巧妙的，是凝胶珠上的 barcode 设计。10x 同一代系统（Chromium）使用了一种两段式设计：

• 10 bp Barcode：凝胶珠特有的序列，所有在同一个液滴中逆转录的 mRNA 分子共享同一个 barcode。
• 12 bp UMI (Unique Molecular Identifier)：每个捕获的 mRNA 分子附加一个随机序列，用于区分不同原始分子。
• Poly(dT) 序列：用于捕获 mRNA 的 poly-A 尾巴，启动逆转录。

为什么会这样设计？说白了就是解决单细胞测序的两大核心问题：

1. 细胞身份识别——同一个液滴里出来的所有片段，barcode 都相同，能分清来自哪个细胞。
2. 分子计数去重—— PCR 扩增后同一个原始分子产生的多个副本，通过 UMI 比对即可合并为一条独立计数。

举个例子，你想想看：一个基因在某个细胞里只表达了一个 mRNA 分子，但经过文库构建和测序可能出了几千条 reads。如果没有 UMI，你会觉得它表达量很高，实际上这是个假象。UMI 就是用来撕掉这个假象的。

我个人习惯在做数据分析前，先检查一下 barcode 和 UMI 的序列分布完整性。10x 的 barcode 设计是有“纠错”能力的——它使用了 whitelist 机制，确定哪些 barcode 是凝胶珠上已知设计的，如果测到的 barcode 不在 whitelist 里，就认为它可能是测序错误，可以纠正到一个附近的正确 barcode。

# barcode 结构示例（来自 10x 凝胶珠的捕获探针）
5' - Barcode (10 bp) - UMI (12 bp) - Poly(dT) - 3'

# 一条 10x reads 的原始数据片段（R1 为 barcode + UMI，R2 为 cDNA 插入片段）
@NB552084:10:HTNF2BGXF:1:11101:1785:1031 1:N:0:ATCACG
ATCGAACGATCCGTTTACTCGATCTACACTGAAGTACAGCG
+ 
BBBFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF

@NB552084:10:HTNF2BGXF:1:11101:1785:1031 2:N:0:ATCACG
GCTGAAGAGAGTGCGGGTGTCGTGTTGCCCGGGAAGAAATCCGACTTAAGAT
+
FFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFFF

文库构建：从 mRNA 到可测序文库

微滴破乳后，我们得到的是cDNA 文库。但要让它在 Illumina 测序仪上能被读取，还需要完成几个关键步骤：

• 逆转录：凝胶珠上的 Poly(dT) 捕获 mRNA，然后逆转录酶合成 cDNA 链，cDNA 链的一端带有 barcode 和 UMI。
• cDNA 打断与末端修复：将长链 cDNA 片段化到合适长度（约 300-500 bp）。
• 接头连接：在 cDNA 两端连接 Illumina P5/P7 接头，用于流动槽表面结合。
• PCR 扩增：使用与 P5/P7 互补的引物进行富集 PCR，同时添加 Index 序列（用于区分同一次运行的不同样本）。

数据特点：稀疏性、UMI 去重与基因覆盖度

10x 的数据是什么样的？我用三个特点来总结：

特点	说明	对分析的影响
高稀疏性	约 85-95% 的细胞-基因组合为零表达	需要专门的稀疏矩阵处理方式，不宜用常规统计方法
UMI 去重后分子计数	每个 mRNA 分子只计一次，消除 PCR 偏好	基因表达量可直接用 UMI 计数，不再依赖 fragments 数
基因覆盖度偏低	每个细胞平均检出 3000-5000 个基因，3' 端偏重	适用于基因表达分析，不适合全长转录本结构解析

说白了，10x 的数据本质上是一个“细胞 × 基因”的稀疏计数矩阵。很多初学者在分析时会直接拿原始 FASTQ 来做差异表达分析，那是不对的——必须先经过 cellranger count 处理，输出表达矩阵。否则，PCR 重复会造成严重的表达量高估。

我建议在处理 10x 数据时，第一件要做的事情就是调整过滤参数。默认的 cellranger 参数有时候会保留很多“空液滴”，也就是那些只捕获到背景 RNA 的微滴。可以用 EmptyDrops 算法或调整 min_umis 和 min_genes 来剔除它们。

# cellranger count 的典型调用命令
cellranger count --id=sample1 \
    --transcriptome=/path/to/refdata-gex-GRCh38-2020-A \
    --fastqs=/path/to/fastq/dir \
    --sample=my_sample \
    --expect-cells=5000 \
    --localcores=16 \
    --localmem=64

# 输出文件结构（关键文件）
./sample1/outs/filtered_feature_bc_matrix.h5
./sample1/outs/filtered_feature_bc_matrix/
    barcodes.tsv.gz
    features.tsv.gz
    matrix.mtx.gz
./sample1/outs/raw_feature_bc_matrix.h5
./sample1/outs/molecule_info.h5
./sample1/outs/analysis/

从数据结构上看，10x 的输出可以清晰分为三部分：基因表达矩阵、barcode 质控统计、降维聚类结果。我做数据整合时，会先读取 filtered_feature_bc_matrix.h5 作为主数据，然后利用 molecule_info.h5 检查 UMI 数量和片段长度分布，确保没有出现过度扩增的 batch 效应。

# 在 R 中使用 Seurat 读取 10x 数据的典型代码
library(Seurat)
data.dir <- './sample1/outs/filtered_feature_bc_matrix/'
sample1 <- Read10X(data.dir = data.dir)
sample1.obj <- CreateSeuratObject(counts = sample1, project = "sample1", min.cells = 3, min.features = 200)

不知道大家有没有这种感觉：10x 系统让单细胞测序变得简单了，但背后的生物学复杂度一点没少。掌握这些，才算真正搞明白了 10x 测序数据是怎么来的。