基因数与UMI：一对看似简单却暗藏玄机的关系

其实很多人会问：基因数和UMI数，到底有没有关系？

我刚开始做单细胞分析的时候，也以为它们就是两个独立的指标。后来踩了不少坑，才真正搞明白——这两者本质上是在描述同一件事的不同侧面。

说白了，你拿到的每一个细胞，既有检测到了多少种不同的基因，也有检测到了多少条独特的UMI分子。这两个数字之间，藏着大量关于数据质量的信息。

从第一性原理说起

每一张单细胞文库，本质是这样一个过程：

• 单个细胞里的mRNA被捕获
• 逆转录成cDNA
• 加上细胞标签和UMI标签
• 扩增后上机测序

如果这个过程是完美的，那么每个基因应该有且只有一个UMI。但现实中，同一个基因的多个mRNA分子会被测到，所以你会看到多个不同的UMI对应同一个基因。

基因数，就是检测到了多少种不同的基因。UMI数，就是检测到了多少个不同的mRNA分子。

你想想看，如果一个细胞的UMI数远少于基因数，那说明什么？或者反过来，UMI数远多于基因数，又意味着什么？

它们之间的数学关系

理论上，基因数和UMI数应该呈正相关，但不是简单的线性关系。

我在一个10x Genomics的PBMC项目里遇到过这样一个案例：有一个cluster的细胞，UMI数看起来不低，大概在5000左右，但基因数只有不到600。这就很奇怪。

后来一查，发现这些细胞其实是双细胞——两个细胞黏在一起被打包进一个液滴里。它们的UMI总数看起来正常，但实际是两个低质量细胞的混合体，每个细胞的基因数都很低。

这种问题，光看UMI数是发现不了的，但结合基因数就能看出来。

如何用这个关系做质控？

我在实际项目中经常做这样一步操作：把每个细胞的基因数和UMI数画成散点图，然后拟合一条曲线。

import scanpy as sc
import numpy as np

adata = sc.read_10x_h5("filtered_feature_bc_matrix.h5")

# 计算每个细胞的总UMI数和基因数
umis = np.array(adata.X.sum(axis=1)).flatten()
genes = np.array((adata.X > 0).sum(axis=1)).flatten()

# 筛选有数据的细胞
mask = (umis > 0) & (genes > 0)
umis = umis[mask]
genes = genes[mask]

# 对UMI做log变换，避免极端值的影响
log_umis = np.log10(umis)
log_genes = np.log10(genes)

# 简单看一下相关性
corr = np.corrcoef(log_umis, log_genes)[0, 1]
print(f"log10(UMI)与log10(基因数)的相关系数: {corr:.3f}")

正常情况下，这个相关系数应该在0.9以上。低于0.85，你就要警惕了——数据里可能混入了大量异常细胞。

一个容易踩的坑

我记得有一次，一个同事跑来跟我说：“我的数据里基因数和UMI数的相关性很低，只有0.6，是不是实验失败了？”

我一看数据，发现他把所有barcode都算了进去，包括那些UMI数只有几十的空液滴。那些空液滴的基因数本来就低，UMI数也低，但它们之间的相关性很弱，因为空液滴里的UMI基本都来自于背景RNA污染，不是真实的细胞内容。

所以正确的做法是：先做初步过滤，把UMI数太低的barcode排除掉，再去分析基因数和UMI的关系。

# 只保留UMI数超过500的barcode
min_umis = 500
high_qual_mask = umis >= min_umis

filtered_umis = umis[high_qual_mask]
filtered_genes = genes[high_qual_mask]

log_umis = np.log10(filtered_umis)
log_genes = np.log10(filtered_genes)

corr = np.corrcoef(log_umis, log_genes)[0, 1]
print(f"过滤后相关系数: {corr:.3f}")

过滤之后，相关系数一般能回到0.9以上。如果还是低，那才说明实验真的有问题。

阈值设置的具体建议

基于这个关系，我通常建议设置两个层次的阈值：

指标	保守阈值	严格阈值	说明
最低基因数	200	500	少于这个数，基本确定是死细胞或空液滴
最低UMI数	500	1000	和基因数的阈值配合使用
基因/UMI比率	≥0.3	≥0.4	过低说明背景RNA污染严重
UMI/基因比率	≤5	≤3	过高可能包含双细胞

另一种分析方法：饱和度曲线

除了简单的比例关系，还有一种更细致的分析方法——看基因的积累曲线。

具体做法是：把每个细胞里的UMI按表达量从高到低排序，然后看前多少个UMI覆盖了多少个基因。

def gene_saturation_curve(cell_expression):
    """
    输入：一个细胞的表达向量（按基因排序）
    输出：随着UMI数增加，检测到的基因数的累积曲线
    """
    # 只保留表达量大于0的基因
    expressed = cell_expression[cell_expression > 0]
    # 按表达量从高到低排序
    sorted_vals = np.sort(expressed)[::-1]
    
    cum_genes = []
    seen_genes = set()
    
    for i, val in enumerate(sorted_vals):
        # 每个UMI对应一个基因（简化模型，实际中一个基因可以有多个UMI）
        # 这里我们看的是累加了多少个不同的基因
        # 实际实现需要根据UMI与基因的对应关系来算
        pass

这个曲线有一个关键特征：它的形状可以告诉你数据的测序深度是否足够。

如果曲线很快达到平台期——比如前500个UMI就覆盖了80%的基因——说明再测更多的数据也挖不出什么新基因了，测序深度已经饱和。

如果曲线一直缓慢上升，没有明显的平台期，说明还有大量低表达基因没有被检测到，可能需要更深度的测序。

用一张图总结

下面我把整个关系画成一张流程图，方便你理解从原始数据到阈值判断的完整路径：

这张图展示了我处理单细胞数据时的标准流程。从原始矩阵开始，先做粗过滤，再做精分析，最后通过基因数和UMI的关系来判断整个数据集的健康度。

我曾经在一个肿瘤样本的数据里，发现大批细胞的这个相关系数只有0.6左右。按照这个流程一步步排查，最终定位到是组织解离时消化过度，导致大量细胞破碎，释放出的RNA污染了整个悬液。

这个案例让我确信一句话：基因数和UMI数的关系，是你手里最强大的质控诊断工具之一。