第3章 单细胞数据中的双细胞问题
做单细胞测序的第一步，就是拿到一个细胞悬液。但你有没有想过——一个液滴里可能裹进了两个细胞？这种情况我们叫它「双细胞」，英文叫 doublet。我最早接触 UMI 数据时，总觉得双细胞离自己很远。直到有一次，聚类出来一个莫名其妙的亚群，表达谱既有 T 细胞 marker 又有 B 细胞 marker —— 我才意识到，双细胞不是小概率事件。
3.1 双细胞是怎么来的？
双细胞的形成原因，说白了就两种：
- 同种双细胞：两个来自同一类型的细胞被意外封到同一个液滴里。这种情况相对好处理，因为它们的表达谱和单细胞差别不大，统计上容易被淹掉。
- 异种双细胞：两个不同类型的细胞混在了一起。这很麻烦——混合后的表达谱会生成一个“四不像”的伪细胞，误导下游分析。
常见的物理原因有哪些？你想想看，细胞悬液浓度过高、微流控通道堵塞、液滴生成不稳定……都会导致双细胞率上升。我见过一个项目，上机前 Cell Ranger 给的估算细胞数是 5000，结果 doublet 率飙到了 10% 以上。后来一查，是细胞团没充分过滤，堵了不少通道。
3.2 双细胞对分析的影响
双细胞混进数据里，最直接的后果就是产生假细胞群。我来给你列几个我亲身体会过的坑：
影响一：聚类结果失真
双细胞会强行把两个不同细胞的表达谱揉在一起。聚类时，它们可能聚在两个真实类群之间，形成一个“桥接”簇。这个簇没有生物学意义，但会拉偏相邻类群的基因表达均值。我曾在一个免疫细胞图谱项目中，因为 5% 的双细胞，把 CD4+ 和 CD8+ T 细胞的差异基因数量高估了将近 30%。
影响二：差异表达分析中的假阳性
双细胞本身的基因表达是两份独立转录本的叠加。比较两组细胞时，如果一组里混入的双细胞更多，那些“双细胞特有”的基因（其实是两个细胞共同高表达的基因）就会被误判为差异基因。你做完富集分析，发现一堆核糖体通路显著 —— 那很可能是双细胞在捣鬼。
影响三：UMI 计数分布畸变
双细胞的 UMI 总数通常是单细胞的两倍（甚至更多）。它会拉高整体的 UMI 分布尾部，干扰你后面设定 UMI 计数阈值时的判断。我在一次质控流程中，没提前过滤双细胞，结果 UMI 分布的 95% 分位数比真实值高了将近 40%。
我把这些影响整理成了一个对比表，方便你对照：
| 分析环节 | 双细胞带来的问题 | 典型表现 |
|---|---|---|
| 聚类 | 产生伪簇 / 桥接簇 | 中间过渡态，无明确 marker |
| 差异表达 | 假阳性差异基因 | 核糖体 / 管家基因富集 |
| UMI 阈值设定 | 尾部被拉高 | 95% 分位数异常偏大 |
| 细胞类型注释 | 混淆注释结果 | 单个细胞同时表达两种矛盾 marker |
3.3 为什么一定要检测双细胞？
可能有朋友会问：如果我的实验设计里细胞类型差异很大，双细胞会不会自动在后续分析中暴露出来？我的回答是：别指望它自己现形。原因如下——
- 双细胞数量往往很少，但破坏力很大。 1% 的双细胞可能影响 5% 的类群边界。你肉眼看不出来，但算法跑出来就歪了。
- 异种双细胞最难识别。 它们不会出现在某个已知类群里，而是躲在类群之间。不专门检测，你就找不到它们。
- UMI 计数阈值不能替代双细胞检测。 我曾经踩过这个坑：以为设一个高 UMI 阈值就能把双细胞一起扔掉。结果扔掉的都是高表达细胞（比如巨噬细胞），真正的双细胞反而因为 UMI 数刚好落在中位附近，顺利通过了质控。
避坑指南： 不要用 UMI 数量作为双细胞筛选的唯一标准。双细胞检测一定要基于表达谱相似性或基因计数特征。我习惯先跑一遍 Scrubblet 或 DoubletFinder，再用 UMI 阈值做二次过滤。
下面这张图，帮你把双细胞问题的来龙去脉串起来：
我的经验： 双细胞检测的最佳时机是在 UMI 计数过滤 之后、标准化 之前。先去掉低质量细胞，再跑 doublet detection，准确率更高。另外，别只看软件给的 doublet score 阈值 —— 我习惯画个 score 分布图，找明显分离的拐点。
最后说一句更实在的：如果你做的是 10X 标准建库，建议 doublet 率控制在 1% 以下。高细胞上样量（比如 10000+）时，doublet 会显著增加，这时候提前用诸如 cellranger count --expect-cells 调整预期细胞数，也能有些帮助。当然，这不能代替后面那一步专门的 doublet 检测。嗯，就先讲这些。