📚 课程目录第4章背景噪声与污染

背景噪声与污染：环境RNA、细胞破裂、死细胞污染如何干扰UMI计数

嗯，这一章我们聊聊那些干扰UMI计数的“不速之客”。
做单细胞实验的人都知道，你拿到的数据里，不全是健康完整细胞的真实信号。
环境RNA、细胞破裂产生的游离RNA、死细胞污染……这些东西混进来，UMI计数分布就会被搅乱。

我个人习惯，拿到一个UMI矩阵，先不看差异基因，先做“污染排查”。
为什么？因为阈值设定之前，必须搞清楚噪声长什么样。

环境RNA：游离的“背景墙”

环境RNA是细胞悬液、试剂、空气里飘着的RNA片段。
它们没有细胞膜包裹，在液滴实验里很容易被捕获。
我见过一个极端案例：某批次样本，环境RNA占了总UMI的15%以上。

环境RNA的特征很明显：

在所有barcode中均匀分布，不富集于特定细胞
主要由核糖体RNA、线粒体RNA、少量看家基因组成
UMI计数普遍偏低（< 50 UMI/cell），但会拉低总counts的均值

对UMI计数的影响：
环境RNA会使得低表达基因的背景噪声抬高。
你在设阈值时，如果按“UMI > 500”去过滤，可能仍然留下一些只有环境RNA的空滴（empty droplets）。
这些空滴的UMI分布均匀，但没有细胞特异性的基因表达模式。

避坑指南： 我曾经在一套10x数据里，UMI阈值设到600，结果下游聚类出现一大群“所有基因低表达”的细胞。一查，全是环境RNA污染的空滴。后来我改用EmptyDrops或CellRanger的原始过滤逻辑，先识别空滴，再设UMI阈值。

细胞破裂：游离RNA的“主产区”

细胞破裂是单细胞实验最常见的污染源。
你想想看，细胞在离心、重悬、上机过程中，总有一些扛不住的。
破裂后，细胞质RNA释放到悬液里，形成游离RNA库。

破裂细胞产生的游离RNA有两个特点：

浓度高： 一个细胞破裂，RNA量相当于10~100个环境RNA分子的量
基因组成不均衡： 高表达基因（如GAPDH、ACTB）的UMI占比异常高

我在项目中遇到过，某样本的GAPDH的UMI在“细胞”barcode和空滴barcode中居然差不多。
这就是典型的中等程度细胞破裂——破裂时间较长，RNA均匀释放到溶液里。

对阈值设定的影响：
破裂产生的游离RNA会导致“双峰”UMI分布。一个峰来自完整细胞（高UMI），另一个峰来自破裂污染（中低UMI）。
如果你只看UMI直方图，很容易把第二个峰也当成真实细胞。但第二个峰的基因极性很差，没有细胞类型特异性。

我的检查方法： 看线粒体RNA的UMI占比 + 每个barcode的基因数（nGene）。
破裂污染的空滴通常线粒体占比不高（因为线粒体在破裂时更容易被降解），但nGene很高（因为多种基因都有污染）。
完整细胞的nGene和线粒体占比有正相关，破裂空滴则没有。

死细胞污染：线粒体RNA的“狂欢”

死细胞和凋亡细胞，线粒体外膜破裂，大量线粒体RNA（mtRNA）释放到胞质里。
在液滴实验中，这些mtRNA被捕获后，UMI计数会显著偏高——但偏向于线粒体基因。

举个例子：
一个完整的活细胞，线粒体RNA UMI占比通常在5%~20%。
死细胞可以飙到50%以上。
我见过一个坏样本，线粒体占比60%，但总UMI只有800。这明显是死细胞——它还在转录，但只转录mtRNA。

对UMI阈值的影响：
死细胞的UMI分布和活细胞重叠较大（范围300~2000），不能单纯用UMI阈值排除。
你需要结合线粒体比例和细胞周期基因的表达来二次过滤。

污染源	UMI分布特征	主要基因特征	识别方法
环境RNA	低而均匀（< 100 UMI/cell）	rRNA、mtRNA片段、少量看家基因	EmptyDrops检测；UMI直方图低端峰
细胞破裂	中低水平（100~500 UMI/cell），出现第二峰	高表达基因（GAPDH、ACTB）占比异常高	比较空滴和细胞barcode的高表达基因UMI比值
死细胞污染	中高水平（300~2000 UMI/cell）	线粒体RNA占比 > 30%～50%	线粒体占比与总UMI散点图

综合处理：在阈值设定中规避噪声

我这里有一套我常用的步骤，供你参考：

先过滤空滴： 用EmptyDrops或CellRanger的原始过滤（默认阈值根据chemistry而定）。
再过滤环境RNA残留： 设一个较低的UMI下限（比如200~500），同时检查空滴barcode的高表达基因是否明显高于背景。
二次过滤破裂和死细胞：
- 线粒体占比 > 30% 且总UMI < 2000 → 死细胞/凋亡细胞
- 高表达基因（如GAPDH）在空滴中的UMI > 活细胞中位值的10% → 破裂污染
最终确认： 看保留的细胞barcode中，UMI分布是否呈现单一主峰，且基因数（nGene）与总UMI有合理的正相关。

  核心思想： UMI阈值不是孤立的一个数字，而是需要结合多种污染特征的综合判断。

  我习惯在设定阈值前，先画三张图：UMI直方图、空滴 vs 细胞的高表达基因散点图、线粒体占比 vs 总UMI散点图。

  看完这三张图，阈值设在哪里就基本有数了。

特别注意： 不要一次性设太高的UMI阈值以为能排除所有污染。
太高会把小的真实细胞（如某些静止细胞、浆细胞样树突状细胞）也丢掉。
我遇到过最冤枉的情况：为了防死细胞，把UMI下限设为1500，结果一个稀有的T细胞亚群全没了——它只有600 UMI。
后来调整为：先保留所有barcode，再用线粒体比例和基因数做软过滤。

总结一下本章的核心：
环境RNA、细胞破裂、死细胞污染，它们各自以不同的方式扭曲UMI计数分布。
你没法靠一个简单的UMI阈值一劳永逸。多看散点图，多结合空滴和线粒体指标，才能把真正的细胞留下来。

我个人在上手新数据集时，会花半小时专门做污染诊断。相信我，这半小时省下来的下游调试时间，至少是一天。