为什么需要质控？低质量细胞的三大危害
单细胞数据分析的第一步，也是最重要的一步，就是质控。我见过太多人急着跑流程、看聚类，结果被低质量细胞带进坑里还不自知。说白了，质控不是在"清理数据"，而是在保护你的生物学结论不被垃圾数据污染。
你想想看，一个液滴里如果同时捕获了两个细胞、或者捕获了一个正在裂解的细胞，它的基因表达谱会是正常的吗？肯定不是。这些异常数据混进下游分析，就像在咖啡里滴了几滴墨水——整杯都喝不了了。
低质量细胞从哪儿来？
先搞清楚敌人长什么样。低质量细胞的来源其实很集中，我归纳成三类：
- 空液滴与碎片——液滴里没有完整细胞，只有游离的mRNA或细胞碎片。基因数和UMI都极低。
- 濒死/凋亡细胞——细胞膜破损，细胞质mRNA大量泄漏，线粒体基因占比飙升。
- 多细胞聚集体——一个液滴里包了两个以上细胞，基因数和UMI异常高，属于"伪单细胞"。
这三种类型对数据的污染方式完全不同，但结果都一样——让下游分析失真。
| 类型 | 基因数 | UMI数 | 线粒体比例 | 主要来源 |
|---|---|---|---|---|
| 空液滴 | 极低（<50） | 极低（<100） | 不定 | 文库制备 |
| 细胞碎片 | 低（<200） | 低（<500） | 高（>20%） | 组织解离 |
| 多细胞聚集体 | 异常高（>6000） | 异常高 | 正常 | 细胞分选 |
| 濒死细胞 | 低 | 低 | 极高（>30%） | 样本处理 |
低质量细胞如何毁掉你的下游分析？
很多初学者觉得："不就几百个坏细胞嘛，数据几万个细胞，能有多大影响？" 嗯，这个想法很危险。我一开始做单细胞时也这么想，直到被狠狠坑过一次。
低质量细胞的危害不是线性的，而是连锁放大的。下面三个影响我挨个讲。
1. 批量效应：低质量细胞比例差异带来的虚假批次
不同样本的处理时间、解离效率、冻存条件不可能完全一样。A样本可能混入了8%的低质量细胞，B样本只有2%。
当你用Harmony或CCA去做批次校正时，算法会把A样本和B样本中由低质量细胞引起的差异"解释"为批次效应。结果呢？校正过度，真实生物学差异也被抹掉了。
我在一个T细胞项目里遇到过这种情况：CD8+ effector和naive T细胞的分群被批次校正完全拉平，后来才发现是A样本的低质量细胞比例偏高，导致校正算法误判。
2. 伪差异：低质量细胞制造假阳性差异基因
低质量细胞的基因表达谱是扭曲的。线粒体基因异常高，核编码基因缺失，这种"表达模式"在差异分析中会被当成真实信号。
举个例子：你在比较处理组和对照组时，如果处理组的低质量细胞比例高了5%，差异基因列表里大概率会出现一堆线粒体基因（MT-CO1、MT-ND4等）。这些真的是生物学差异吗？不是，是细胞死亡导致的污染信号。
# 我常用的快速检查方法：看差异基因中是否有线粒体基因富集
# 如果MT-基因在top 20差异基因中超过3个，基本可以认定是质控问题
results = pd.read_csv("differential_results.csv")
mito_genes = [g for g in results['gene'] if g.startswith('MT-')]
print(f"线粒体基因在top差异基因中的数量: {len(mito_genes)}")3. 聚类偏差：低质量细胞扭曲聚类结构
这是最隐蔽、也最致命的影响。低质量细胞不会老老实实地聚成一团等你去删除——它们会四处乱窜。
濒死细胞因为线粒体基因高表达，常常和"低氧应激"相关的真实细胞聚在一起，导致你误以为发现了一个新的细胞亚群。空液滴因为基因数太少，会扎堆在聚类图的边缘，形成一团"灰色区域"，干扰分群边界。
更麻烦的是多细胞聚集体：它同时表达两种细胞类型的marker基因，在聚类时会被识别成一个"过渡态"或"双阳性"群体。我见过有人把这个当成"细胞状态转换"的证据，发了一篇preprint……后来撤稿了。
一个真实案例：质控缺失的全过程
项目背景：小鼠脑组织单细胞测序，3个样本，总计~15,000个细胞。
问题：其中一个样本解离时间偏长，死细胞比例升高到~12%。
下游表现：
- 聚类时出现一个"高线粒体+低核基因"的独立簇，被误标为"应激反应性神经元"。
- 差异分析中鉴定出127个"差异基因"，其中89个是线粒体或核糖体基因。
- 批次校正后，该样本与其他样本的神经元分群无法对齐。
整改后：质控过滤掉线粒体比例>20%的细胞后，"应激反应性神经元"消失，差异基因减少到23个，且均为已知的生物学相关基因。
结论：低质量细胞是下游分析中的"特洛伊木马"——表面上只占一小部分，破坏力却是全局性的。
质控的核心理念：预防优于纠错
讲完这些影响，我想你应该明白为什么我每次都强调"先质控，再分析"。质控不是在"删数据"，而是在保护你后续投入的每一分钟计算时间和每一个生物学结论。
我的经验是：把质控当作实验设计的一部分，而不是数据分析的"预处理杂活"。在拿到测序数据之前，就应该想清楚你的质控策略——阈值设多少、用什么指标、过滤后保留多少细胞算合格。
一句话总结：低质量细胞是单细胞分析中的"特洛伊木马"。它们数量不多，但一旦混入下游，就能在批次校正、差异分析和聚类中制造系统性偏差。质控不是可选项，是必选项。