📚 课程目录第3章单细胞转录组测序技术

3、单细胞转录组测序技术：scRNA-seq原理、建库方法与数据特点

欢迎来到第三章。前面我们聊了发育生物学的宏观问题和实验设计，今天咱们得把目光聚焦到最核心的技术工具上——单细胞转录组测序。你想想看，传统RNA-seq就像把一锅汤搅匀了再喝一口，你能知道这锅汤里有哪些食材，但每块肉、每片菜叶各自是什么滋味？你完全不知道。scRNA-seq就是让你能够捞出每一块食材，单独尝一口。

嗯，这里要注意。scRNA-seq并不是一门“天降神兵”的技术，它背后是一套非常精巧且环环相扣的湿实验和干实验流程。我当年刚开始接触这个技术时，被各种建库方法搞得晕头转向：10x Genomics是什么？Smart-seq2又是什么？drop-seq靠谱吗？别急，这一章我们就把这些讲透。

3.1 核心原理：从混池到单颗粒

scRNA-seq的核心逻辑，说白了就是四个字：单个捕获。我们要从组织或细胞悬液中，把成千上万个细胞一个一个地分离出来，并对每个细胞的mRNA进行逆转录、扩增和建库。

那么问题来了：怎么实现“一个一个”的捕获？目前主流的两大流派是：

基于微流控的液滴法（Droplet-based）：代表技术是10x Genomics、Drop-seq、inDrop。细胞与带有独特条形码（Barcode）的凝胶微珠被包裹在油滴里，每个油滴就像一个微型反应室。
基于平板的分选法（Plate-based）：代表技术是Smart-seq2、MARS-seq。通过流式细胞分选（FACS）或显微操作，把细胞一个个分到96孔或384孔板里，再进行建库。

  核心区别：液滴法追求通量，一次能跑数千到数万个细胞；平板法追求灵敏度，能在每个细胞中检测到更多的基因。

你可能会问：“那两种方法我该怎么选？” 我个人习惯是：如果你要做稀有细胞类型的发现，或者需要高灵敏度去检测低表达基因，平板法（比如Smart-seq2）更合适。如果你要看细胞群体的异质性，或者做发育轨迹的粗略重建，液滴法（10x）绝对是性价比之王。

3.2 建库方法详解

3.2.1 液滴法：10x Genomics 与 Drop-seq

液滴法的精髂就在于“一个液滴，一个细胞，一个微珠”。以10x Genomics为例，微珠上预先合成了一堆寡核苷酸链，包含：P7序列（用于Illumina测序）、Barcode（每个微珠唯一，用于标记细胞）、UMI（Unique Molecular Identifier，用于标记单个mRNA分子）和Poly(dT)（捕获mRNA的尾巴）。

当细胞与微珠被油滴包裹后，细胞裂解，mRNA释放出来，与微珠上的Poly(dT)结合，进行逆转录。这样每个cDNA分子上都带了Barcode和UMI。之后，打破油滴，进行PCR扩增，构建文库。

# 10x Barcode + UMI 结构示意（Read结构）
Read1:  Barcode (16bp) + UMI (12bp) + Poly(dT)
Read2:  cDNA序列

# 实际测序输出中，你拿到的数据包含：
I1_read: Barcode + UMI (用于细胞和分子标定)
R1_read: cDNA片段 (比对到参考基因组)
R2_read: 通常是另一端的cDNA片段 (对于长片段测序)

我的一点经验：10x数据中，Barcode是用于区分细胞的身份证。一个Barcode对应一个细胞。但注意，实际测序中可能会存在“双胞”（两个细胞一个液滴）或“空滴”（没有细胞）的情况。这就需要后续的质控算法来区分它们。我早期做分析时，就没注意这一点，结果一批数据中混了不少空滴，坑了我好几天。

3.2.2 平板法：Smart-seq2

Smart-seq2 走的是另一条路。它利用模板转换（Template Switching）技术，在逆转录时，当逆转录酶到达mRNA的5'端，会多加几个非模板的C碱基。然后特意加入一个带有G碱基的模板转换寡核苷酸（TSO），与之配对，让逆转录酶继续复制下去，从而得到全长cDNA。

这种做法有什么好处？覆盖度极高。你能得到从5'端到3'端的全长转录本信息。对于研究RNA可变剪接、等位基因特异性表达来说，Smart-seq2是利器。

# Smart-seq2 核心步骤（简化逻辑）
1. 细胞分选到96孔板（每孔一个细胞）
2. 加入裂解液和逆转录酶 + oligo-dT + TSO
3. 逆转录：mRNA -> cDNA（全长，带模板转换）
4. PCR预扩增（小循环数，减少偏差）
5. 片段化 + 加接头 + 最终PCR扩增
6. 上机测序

避坑：我曾经在处理Smart-seq2数据时，发现GC含量偏高的区域覆盖度异常好，而AT富集区覆盖度低。后来查文献才知道，这是模板转换过程的偏好性。所以，如果你要做RNA丰度绝对定量，UMI标记的液滴法可能更准。Smart-seq2更适合定性与结构分析。

3.3 数据特点：你拿到的到底是什么？

测序跑完，你拿到的可不是一张漂亮的基因表达热图。你得理解最原始的测序数据长什么样。总体来说，scRNA-seq数据有以下几个关键特点：

稀疏性（Sparsity）：这是最让人头疼的问题。一个细胞里只表达几千种基因，而且很多mRNA分子拷贝数极低。结果就是，表达矩阵中绝大多数位置是0（70%-90%）。这不是技术失误，这是生物学事实。
UMI vs 读段数（Counts vs Reads）：基于UMI的技术（如10x），每个基因的count是UMI去重后的分子数。它消除了PCR扩增的偏好性。而基于读段数的技术（如Smart-seq2），count是比对到该基因的读段总数。这两种数据的统计分布（Poisson vs Negative Binomial）完全不同。
批次效应（Batch Effect）：不同时间、不同操作者、不同试剂所做的实验，数据中都会引入系统性的差异。这比bulk RNA-seq的批次效应更明显，因为每个细胞的信息量本来就少。
离散度（Dispersion）：同一个基因在不同细胞中的表达量波动很大，远远超过技术误差。这种“超额离散”是单细胞数据的标志性特征。

数据特征	液滴法 (droplet)	平板法 (plate)	我的建议
通量	高（数千-数万细胞）	低（96-384细胞/板）	发育时间点多的实验，用液滴法
基因检测数	中等（2k-5k基因/细胞）	高（5k-10k基因/细胞）	需要检测低丰度转录因子，选平板法
偏向性	3'端偏向	全长覆盖	做剪接分析，必须用全长法
成本（每细胞）	低	高	预算有限，通量优先，选10x
PCR引入误差	可消除（UMI去重）	不可消除（仅靠读段数）	转录本定量分析，优先UMI法

你看这个表格，应该就能明白为什么我在做发育生物学研究时，经常选择两种方法混用：先做10x对整体细胞图谱进行快速扫描，然后挑出感兴趣的细胞类群，再做Smart-seq2深度测序去挖掘细节。

3.4 常见数据格式与初步处理

无论是10x还是Smart-seq2，数据最终都会归结到两个核心文件：一个表达矩阵（genes x cells），以及一个细胞注释文件（metadata）。10x的官方输出格式是：

# 10x Cell Ranger 输出目录结构
outs/
├── filtered_feature_bc_matrix/   # 过滤后的表达矩阵
│   ├── barcodes.tsv.gz          # 细胞Barcode列表
│   ├── features.tsv.gz          # 基因注释
│   └── matrix.mtx.gz            # 稀疏矩阵（MTX格式）
├── raw_feature_bc_matrix/       # 原始表达矩阵（含空滴）
├── metrics_summary.csv          # 质控统计
└── analysis/                    # 降维、聚类等初步分析

  重要概念：MM（MTX Matrix Exchange）格式是单细胞数据最常用的存储方式。它只记录矩阵中非零元素的行、列和值，极大减少存储空间。你直接用Seurat或Scanpy读取时，它们会自动解析MTX文件。

最后唠叨一句：scRNA-seq数据预处理有三大坑——双胞去除、空滴去除、UMI去重。这三个步骤处理不好，后面所有的轨迹推断、差异表达分析都可能被带偏。我强烈建议，在正式开始下游分析前，先用原生的质控指标（如每个细胞的基因数、UMI总数、线粒体基因比例）做一遍暴力过滤。别着急上复杂的算法，先把数据洗得干干净净。