1、单细胞RNA‑seq数据简介与标准化必要性
单细胞RNA测序，说白了就是给每个细胞拍一张基因表达的“快照”。你拿到的原始数据是一张巨大的计数矩阵——行是基因，列是细胞，里面的数字代表这个基因在那个细胞里检测到了多少条转录本。听起来挺直观，对吧？但实际用起来，坑比想象的多。
我刚开始做单细胞项目时，拿到count矩阵就直接丢进聚类流程。结果发现同一个样本里，细胞按测序深度分成了好几群，而非真正的细胞类型。那次教训让我彻底明白：标准化不是可选项，而是必修课。
数据长什么样？
一个典型的10X Genomics实验，会产出类似下面的计数矩阵（以cellranger为例）：
Cell_1 Cell_2 Cell_3
Gene_A 12 0 5
Gene_B 0 3 8
Gene_C 45 2 0
...注意那两个“0”——在单细胞数据里，零值占比通常超过80%。这就是所谓的“dropout”现象。你想想看：一个细胞里本来就只有几万条转录本，测序只捕获了其中一小部分，没检测到不代表基因不表达。
为什么非得标准化？
原始counts直接比较？千万别。原因主要有两个：
- 测序深度差异：有些细胞运气好，捕获了5万条UMI；有些只有1万条。你直接比，高深度细胞的每个基因看起来都“高表达”，但这完全是技术偏差。
- 方差膨胀：高表达基因的方差会被测序深度放大，导致降维和聚类时被这些基因主导，而真正的生物信号被淹没。
我记得有次在项目里，两个生物学重复的样本，一个测序深度是另一个的3倍。没做标准化之前，UMAP图上两个样本完全分离——吓得我以为采样出了问题。标准化之后，它们完美重叠了。嗯，这里要记住：标准化消除的是技术噪声，不是生物变异。
常见标准化方法概览
目前主流的方法有好几种，我把它们的特点和适用场景整理成了一张表：
| 方法 | 核心思想 | 适用场景 | 常见陷阱 |
|---|---|---|---|
| CPM / TPM | 用总UMI数缩放每个基因 | 快速预览 | 不能纠正文库复杂度差异 |
| TMM (edgeR) | 基于加权trimmed均值 | 差异表达分析 | 假设大部分基因非差异，单细胞数据常违背 |
| SCTransform | 用正则化负二项回归残差 | 高变异基因选择+标准化一体 | 计算量较大，但对大数据友好 |
| LogNormalize (Seurat默认) | 先缩放再log变换 | 入门级 | 没有纠正测序深度与方差的耦合 |
个人习惯：我一般先用SCTransform做标准化和方差稳定化，一步到位。如果数据量特别大（比如超过20万细胞），会考虑降采样后用SCTransform拟合模型，再应用到全数据。
从原始counts到标准化：我的一张流程图
下面这张SVG图梳理了标准化的必要性逻辑，帮你一目了然：
避坑指南：标准化前一定要做的事
- 检查细胞质量：先过滤掉空液滴、双细胞和线粒体比例高的细胞，否则标准化的结果会被“垃圾细胞”带偏。
- 理解你的数据类型：UMI数据和full-length数据在稀疏度上差异很大——我曾用针对UMI的方法硬套到Smart-seq2数据上，结果方差稳定效果惨不忍睹。
- 不要过度标准化：有些方法（例如简单的LogNormalize）会把技术偏差和生物变异一锅端，导致后续无法识别弱的但生物学相关的信号。
曾经踩过的坑：我有一个20万细胞的数据集，直接跑SCTransform默认参数，结果内存爆了。后来发现可以先用SelectIntegrationFeatures选2000个高变异基因，再用SCTransform只在这2000个基因上拟合模型，内存消耗立刻降到可接受范围。
说到底，标准化是一门平衡艺术
你希望去除的只是技术噪声，而保留细胞之间真实的表达差异。没有万能的方法，但SCTransform在大多数场景下表现稳健——这也是为什么我把这门课的重点放在它身上。后面的章节，我会带你手把手实现从计数矩阵到标准化表达矩阵的完整流程。