实验设计与注意事项：样本制备、细胞捕获效率、批次效应来源
单细胞RNA-seq实验，说白了就是你跟样本之间的一场“质检竞赛”。样本好不好，直接决定后面分析能不能跑下去。我见过不少项目，数据量看着很大，但一上聚类就全是死细胞或者双细胞信号，根源就在实验设计阶段埋了雷。今天咱们就来聊聊这几个最容易被轻视、但又最要命的环节。
样本制备：第一步决定成败
组织解离是第一个坎。你想把实体组织变成单细胞悬液，得在不破坏细胞膜的前提下把细胞分开。我习惯先评估组织类型——比如脑组织比肿瘤组织更容易解离，纤维多的样本得用胶原酶多消化一会儿。但是时间长了又会激活应激基因，这很矛盾。
我曾经在一个胰腺样本上，消化时间从推荐的20分钟延长到了35分钟，结果后面测出来的细胞几乎全是凋亡相关基因的表达。那一批数据直接报废。所以我的原则是：宁可牺牲一点细胞产量，也要保证细胞活性在90%以上。
除了解离效率，还要关注杂质。红细胞、碎片、死亡细胞这些家伙会严重干扰下游捕获和建库。常见的做法是用密度梯度离心或者磁珠分选剔除。我个人建议在正式上机前一定要做一次台盼蓝染色或者流式细胞仪活率评估，别凭感觉。
| 样本类型 | 常见问题 | 我的处理建议 |
|---|---|---|
| 实体肿瘤 | 纤维多、异质性大 | 先用机械剪碎，再用酶消化，严格控温4°C |
| 血液/骨髓 | 红细胞过多 | 必须用ACK裂解液或Ficoll分离，裂解时间别超过3分钟 |
| 冷冻组织 | 细胞活性低 | 优先用新鲜样本；非用不可的话，解冻后立即用DNase处理 |
测完细胞浓度后，别急着上机。取50µL悬液在显微镜下看一眼，如果看到大量成团的细胞或者细胞碎片，我建议再过滤一次。这一步花5分钟，能省后面好几天清理数据的时间。
细胞捕获效率：不是所有细胞都能进孔
不管你是用10x Genomics的微流控芯片，还是用Drop-seq、Smart-seq2，捕获效率从来都不是100%。我做过对比，10x Chromium的捕获率大概在50%-70%之间，剩下的细胞要么没被油滴包裹，要么包裹了但没完成裂解。你想想看，如果运气不好，某个稀有细胞亚群正好没被捕获，那你的数据里就永远少一个群体。
什么影响捕获效率？
- 细胞上机浓度：太高容易形成多细胞油滴（双细胞/多细胞），太低又浪费芯片通道。我推荐用Cell Ranger官方给的计算器算一下，但最终要凭经验微调。
- 细胞大小：太大的细胞容易堵住芯片微流道，太小的细胞可能被直接冲走。如果你研究的细胞类型尺寸差异很大（比如巨噬细胞 vs. 淋巴细胞），我建议提前分选一下。
- 细胞活性：死细胞的膜会破，RNA泄露出来形成背景噪音。你测到的UMI可能大部分来自死细胞的“遗言”。
捕获效率 ≠ 测到的细胞数 ÷ 上机细胞数。实际计算时要排除死细胞和双细胞。一个更接近真相的公式：
有效捕获效率 = （经过质控过滤后的细胞数） ÷ （上机细胞总数 × 活率%）
我记得有一次帮同事看数据，他明明上机了8000个细胞，但最后只出来2000个高质量的UMI数据。后来复盘才发现，他的细胞悬液里夹杂了大量脂肪组织碎片，芯片根本就没法正常捕获。所以，捕获效率低的时候，别光盯着参数，先回头看看样本状态。
批次效应来源：技术偏差的幕后黑手
单细胞实验很少有一次性做完所有样本的。你可能会分几天、不同试剂批号、甚至不同操作员来建库。这就引入了批次效应——简单说就是本来一样的细胞，因为处理批次不同，表达谱硬生生被拉出了差异。
常见的来源有：
- 试剂批次差异：RT酶、反转录引物的批间变化。我曾经连续三个批次同一管细胞，结果PCA图上三个簇整整齐齐分开，一开始吓坏了，后来发现只是酶活性不一致。
- 操作时间差异：样本解离到上机的时间越短越好。超过1小时，细胞应激反应就会启动。
- 测序批次：不同flow cell、不同测序仪之间，GC bias和错误率都不同。
- 环境温度：芯片操作时的室温变化会影响微流控的液滴生成效率。
| 批次效应类型 | 表现 | 我惯用的应对措施 |
|---|---|---|
| 试剂批次 | 主成分上的第一或第二主成分直接对应批次 | 加入ERCC或UMI-based归一化，关键是建库时混合批次做标记 |
| 操作时间 | 线粒体基因比例升高，应激基因上调 | 强制执行同一个时间窗口，比如“解离后45分钟内完成上机” |
| 测序深度 | 某些低表达基因在浅测序批次中丢失 | 测序前用Qubit定量，保证每个样本的文库浓度一致 |
不要指望生物信息学分析能完全抹掉实验引入的批次效应。最好的方法是实验设计阶段就把样本随机分配到不同batch，或者在同一个batch里尽量跑完所有条件。你要是把对照组和实验组分在两个批次，那后期再怎么校正都可能引入假阳性。
为什么会这样？其实大部分批次效应是低维度的系统性偏差。你用ComBat或者Harmony去校正，其实是在假设偏差是线性的。但真实情况往往是非线性的，尤其当样本之间存在复杂的相互作用时。我见过一个案例，同一个健康人的PBMC，分两批次测，校正后居然出现了“伪亚群”，我费了好大力气才发现是批次效应残留。所以，我的习惯是：先用量化指标（如批次相关性矩阵）评估严重程度，再决定是否用回归方法还是用更复杂的深度学习方法去校正。
拿到数据后，立刻做一个PCA图并用批次颜色着色。如果前两个PC就能分开不同批次，那说明批次效应严重。这时候不要急着跑下游差异分析，先想办法合并批次。我个人推荐用融合了“锚点”技术的Seurat整合流程，比传统Harmony更稳健。
一张图串联整个逻辑
下面这张图把从样本到数据的核心流程和质控节点画在了一起。你可以把它贴在工位旁，每次设计实验时对照着检查一遍。
你看这个流程图，左边是实验的物理流程，右边是每个环节的质控要点。最右侧特地加了一个“批次效应评估”节点，我希望每位同学在拿到数据后，第一个动作就是跑到这一步，别急着做差异分析。先问问自己：我那几个批次效应来源有没有处理好？
样本制备是地基，细胞捕获效率决定了你是谁，批次效应是你看不见的敌人。这三个点没控好，后面所有的高级分析都是在垃圾数据上雕花。你可以在实验开始前就用这篇文章里提到的检查清单过一遍，我保证能节省你至少一周的数据清理时间。
好了，这部分就聊这么多。下一部分是实际操作环节，这里就不啰嗦了。