1. 单细胞RNA‑seq数据简介

做单细胞分析这么多年，我最常被问到的一个问题就是：“单细胞数据到底特殊在哪儿？” 你想想看，普通RNA‑seq是把一堆细胞磨碎了测，得到的是平均表达量。单细胞不一样——它把每个细胞独立建库、独立测序，然后告诉你每个细胞里每个基因到底表达了多少。 说白了，就是从“大锅饭”变成了“每个人碗里有多少菜”，清清楚楚。

1.1 技术原理

单细胞RNA‑seq的核心流程其实不复杂，但每一步都会影响最终数据质量。 我记得第一次上手做这个实验时，导师跟我说：“你只要记住一句话——把单个细胞的mRNA变成可测序的cDNA文库。” 拆开来看，大致分这么几步：

1. 组织解离 —— 把组织块打成单细胞悬液。这一步最怕细胞损伤或激活应激基因。
2. 单细胞捕获 —— 用微流控芯片、液滴或孔板把单个细胞隔离开。
3. 逆转录 —— 每个细胞里的mRNA逆转录成cDNA，同时加上细胞条形码和UMI。
4. cDNA扩增 —— PCR放大信号，让微量核酸能被测到。
5. 文库构建与测序 —— 加接头、上机，产出FASTQ数据。
6. 定量与表达矩阵 —— 比对、计数，生成我们熟悉的cells × genes矩阵。

这里面有个关键点：细胞条形码用来标记“这个read来自哪个细胞”，UMI用来去除PCR重复。 没有UMI的话，定量会偏得离谱。我之前接过一个项目，对方用的老平台没有UMI，结果同一个基因在一个细胞里检出几百种不同序列， 那就是典型的PCR偏好。嗯，从那以后我对UMI格外敏感。

1.2 常见平台

市面上的平台不少，但我实际用过的就几种。下面这个表是我个人的使用感受，供你参考：

1.3 数据特点

单细胞数据跟bulk RNA‑seq最大的区别，你拿到手第一眼就能感受到——太稀疏了。 我刚开始处理单细胞数据时，打开表达矩阵一看，90%以上都是0，还以为实验失败了。 其实不是，这就是单细胞数据的常态。下面几个特点，每个都是后续分析的挑战：

• 稀疏性（Sparsity） —— 每个细胞只表达几千个基因，大量基因检测不到。 这不全是生物学原因，也有技术丢失。说白了，你看到0，不代表基因真的没表达。
• 高维度 —— 一个样本测几千个细胞，每个细胞测两万个基因。 你想想看，这个矩阵的行数和列数都很大，直接做传统统计根本跑不动。
• 批次效应 —— 这是所有单细胞项目最头疼的问题。 我曾经因为忽略了批次效应，差点得出一个“两种细胞类型差异巨大”的结论。 后来发现，那只是两个批次之间的系统偏差。嗯，从那以后我养成了习惯：拿到数据先按批次染色看UMAP。
• 技术噪音 —— 包括dropout（基因丢失）、扩增偏好、GC偏差。 这些噪音会掩盖真实的生物学信号，所以预处理阶段不能马虎。

1.4 核心数据结构

无论你用Seurat还是Scanpy，最终操作的都是同一个东西——表达矩阵。 矩阵的行是细胞（一般用Barcode标识），列是基因。矩阵中的值代表「该基因在该细胞中的UMI计数」。 下面是一个简化示例：

              Malat1   Gapdh   Actb   Cd3e   ...
cell_AAACCCA     12       8      35     0     ...
cell_AAACCCG      0       3       0     0     ...
cell_AAACCCU      7      12      24     0     ...
cell_AAAACAU      0       0       0     5     ...

除了表达矩阵，还需要元数据：样本来源、批次、处理条件、临床信息等。 我习惯把元数据放在一个单独的数据框里，行顺序与矩阵一致，这样不会搞乱。 记住：批次校正需要用到元数据中的批次标签，所以在导入数据时就要把元数据整理好，不然后面会手忙脚乱。