UMI 技术原理

说实话，我刚入行做单细胞数据分析那会儿，对 UMI 也是一脸懵。明明同一个基因，PCR 之后读段数量能差几十倍，这到底是真实表达还是技术噪音？后来搞清楚 UMI 的原理，才明白它就是为了解决这个问题的。

什么是 Unique Molecular Identifier

UMI，全称 Unique Molecular Identifier，中文叫“唯一分子标签”。说白了，它就是个随机序列，长度通常在 8-12 bp。在反转录阶段，每个 mRNA 分子都会连上一个独一无二的 UMI。你可以把它想象成给每个转录本发了一张身份证。

为什么要这么干？因为 PCR 扩增效率不固定。同样的模板，有的扩了 100 倍，有的只扩了 10 倍。你只靠读段计数，根本分不清是丰度高还是 PCR 扩得多。UMI 一加，逻辑就变了：只要两个读段拥有相同的 UMI 和基因比对位置，它们就来自同一个原始 mRNA 分子。这就不怕 PCR 带来的偏差了。

我当年第一次处理 10X Genomics 的数据时，看到 FASTQ read 名里那串长长的 barcode 序列，愣是拆了半天才搞明白。嗯，这里有个常见坑：UMI 和细胞 barcode 是两码事，别搞混了。细胞 barcode 标记的是哪个细胞，UMI 标记的是哪个分子。

类别 作用 长度 来源
UMI 标记原始 mRNA 分子 8-12 bp 反转录引物自带
细胞 barcode 标记细胞来源 12-16 bp 液滴或孔板分配

UMI 如何纠正 PCR 扩增偏差

这个问题我用一个例子说明。假设一个细胞里某基因有 3 个原始 mRNA 分子，反转录时分别连上了 UMI-AAA、UMI-AAB、UMI-AAC。PCR 之后，AAA 扩了 50 倍，AAB 扩了 80 倍，AAC 扩了 60 倍。测序得到 190 条 reads。没有 UMI 时你会以为表达量是 190，有 UMI 后你只计数不同的 UMI 种类，结果就是 3。这才是真实分子数。

具体实现上，常见的做法是：

  • 把 reads 比对到参考基因组，确定基因
  • 提取 UMI 序列
  • 按“基因 + UMI”去重，同一个基因下同一个 UMI 只保留一条
  • 统计每个基因的唯一 UMI 数

我记得到有一次项目，用 Smart-seq2 技术，由于建库时没加 UMI，做差异表达分析时，高表达基因的方差被 PCR 噪音撑得特别大，结果根本没法用。后来转成含有 UMI 的实验方案，数据质量肉眼可见地提升。这个教训让我现在看任何单细胞数据集，第一件事就是确认有没有 UMI。

关键要点：UMI 的核心假设是每个原始分子在反转录时都分配到一个不同序列。如果 UMI 长度不够或者初始分子数太多，就可能出现“碰撞” — 两个分子拿到了同样的 UMI。一般建议 UMI 种类数至少是预期分子数的 10 倍以上。

UMI 处理流程概览

下面这张图梳理了从原始分子到定量结果的完整流程，我建议你多看几遍。

UMI 纠正 PCR 偏差流程图 原始 mRNA 分子 反转录添加 UMI （每个分子唯一标签） PCR 扩增 测序获得 Reads UMI + 基因 去重 （只保留唯一组合） 统计唯一 UMI 数 避坑 UMI 长度 ≥ 8 bp 减少碰撞风险 提示 去重前需校正 测序错误

UMI 去重实现举例

我常用的工具是 umi_tools（来自 CGAT 团队），或者 10X 自己的 Cell Ranger。下面给一个简单的 Python 示意代码，帮你理解去重逻辑：

# 假设已经有一个字典: gene_umi_counts
# key: (gene_name, umi_sequence)
# value: read_count

deduped = {}
for (gene, umi), count in gene_umi_counts.items():
    if (gene, umi) not in deduped:
        deduped[(gene, umi)] = 1   # 只记录存在

# 统计每个基因的 unique UMI 数
from collections import Counter
gene_expression = Counter()
for (gene, _), _ in deduped.items():
    gene_expression[gene] += 1

print(gene_expression)

当然，真实数据里 UMI 序列可能会因测序错误而产生少量碱基差异。很多工具会做 UMI 校正，比如按编辑距离合并相似的 UMI。我一般设编辑距离为 1 或 2，太大会误伤真实分子。

实用技巧：处理 UMI 时，提前做一次 fastp 或 cutadapt 的接头去除和低质量过滤，可以明显减少 UMI 上的测序错误。别让脏数据污染你的 UMI 去重逻辑。

常见的 UMI 设计方案

方案 UMI 长度 特点 适用场景
随机 N 碱基 8-12 bp 简单，但可能存在回文或均聚物 大多数建库方案
预先设计校正集 8-10 bp 避免均聚物，平衡 GC 含量 高精度定量（如 CEL-Seq2）
双端 UMI 两端各 8 bp 进一步降低碰撞 超高通量测序

我个人比较推荐用随机 N 碱基 + 后续错误校正，因为实现简单，而且后面的软件支持也最多。不过有些项目设计 UMI 时用了“简并碱基”（比如 N=AT, 不包含 C/G 以避免某些偏好），这时候需要你在 read 处理流程里特别注意识别模式。

警告：如果 UMI 序列中有连续 4 个以上相同碱基（例如 AAAA），在 PCR 时会因为聚合酶滑移而产生错误。建库时最好避免这种序列。很多 UMI 设计软件（如 UMI-tools 的 whitelist 命令）可以帮你过滤掉这类可疑 UMI。

嗯，理解 UMI 是单细胞质控的第一步。后面的章节会详细讲怎么根据 UMI 的分布以及基因数来设阈值，这里先把原理吃透。

← 上一章 📖 返回目录 下一章 →