单细胞转录组定量分析：从原理到上游数据处理实践

单细胞转录组技术已经成为解析细胞异质性、重构发育轨迹、刻画免疫微环境的关键手段。与常规转录组测序不同，单细胞实验的挑战不仅在于建库通量，更在于如何将海量测序读段准确归属到每一个原始细胞。上游定量分析的核心目标，就是从原始测序数据出发，经过细胞条形码拆分、唯一分子标识符去重、基因组比对与表达计数，最终得到一个“细胞 × 基因”的表达矩阵。这一环节的准确性直接决定后续细胞聚类、细胞类型注释、轨迹推断等所有分析的可靠性。

本文围绕液滴微流控单细胞平台的技术原理与定量流程展开，介绍一套通用的上游数据处理逻辑。文中不依赖某一具体商用软件的品牌名称，而是使用“单细胞上游定量工具”或“定量流水线”等中立表述，重点说明输入文件、处理步骤、输出结果以及常见的参数设计思路。通过阅读本文，读者可以建立从测序原理到定量矩阵的完整认知框架，并将其迁移到不同技术平台的上游分析实践中。

一、单细胞测序为何需要特殊的上游定量策略

单细胞转录组实验往往一次捕获数千至数万个细胞，每个细胞的 mRNA 经过反转录、扩增与建库后混合测序。要实现“哪个读段来自哪个细胞”的判断，必须在文库构建阶段就为每个细胞引入可识别的分子标签。与此同时，由于单个细胞起始核酸量极低，扩增过程不可避免地引入大量重复读段。如果直接统计比对到基因的读段数量，PCR 重复会造成表达量虚高。因此，单细胞定量通常采用“细胞条形码 + 唯一分子标识符”双重标记体系。

细胞条形码用于区分细胞来源，唯一分子标识符用于区分同一转录本的不同扩增产物。两者的共同作用，使得最终计数可以近似还原每个细胞内原始 mRNA 分子的数量，而不是简单累加所有测序读段。这种设计是单细胞上游定量与常规 RNA-seq 上游定量的本质区别，也解释了为什么单细胞数据需要专门的定量流程。

二、液滴微流控平台中的“双重标签”设计原理

液滴微流控技术是目前单细胞捕获的主流路线之一。其基本思想是将单细胞悬液与带有分子标签的微珠混合，通过微流控芯片形成“油包水”液滴。理想情况下，每个液滴只包裹一个细胞与一个微珠，随后在液滴内部完成细胞裂解、mRNA 捕获与反转录。微珠表面预先连接大量寡核苷酸序列，这些序列同时包含细胞条形码和唯一分子标识符，并被释放到反应体系中，用于标记该液滴内所有来自同一细胞的转录本。

不过，实际工程实现中，一个液滴包裹一个细胞与一个微珠的严格对应并不总能稳定达成。为了提升细胞捕获效率并降低空液滴比例，某些平台采用了“一大一小”双微珠协同标记的策略。大微珠携带细胞条形码与唯一分子标识符，负责标记转录本来源与分子身份；小微珠携带液滴级索引序列，用于标记同一个液滴内所有大微珠的共同来源。也就是说，一个液滴内部可能存在多个大微珠，但它们共享相同的小微珠索引。数据分析时，先依据小微珠索引将同一液滴内的大微珠信息聚合，再根据细胞条形码将转录本归属到对应细胞。这种“液滴索引 + 细胞条形码”的两级聚合机制，可以更稳健地处理多微珠共包封场景，提高细胞归属的准确性。

这一设计对上游定量流程提出了明确要求：除了识别细胞条形码与唯一分子标识符外，还需要识别并利用液滴索引信息。若上游工具忽略液滴索引，仅按细胞条形码计数，就可能在多微珠共包封时将同一细胞的转录本拆分为多个“假细胞”，或错误合并不同细胞的信号。

三、上游定量分析的整体流程框架

无论采用何种具体工具，单细胞上游定量通常包含以下核心步骤：

1. 原始测序数据质量控制
2. 细胞条形码与分子标识符提取与校正
3. 基因组比对
4. 比对结果与分子标签关联
5. 表达矩阵生成与基础质控

下面逐一说明每个步骤的作用与常见处理逻辑。

1. 原始测序数据质量控制

单细胞文库通常采用双端测序：一端读取细胞条形码与唯一分子标识符，另一端读取转录本序列。上游流程首先需要检查 FASTQ 文件的读段质量、接头污染与碱基组成。质量过低的前端标签序列会导致细胞条形码识别错误，因此在提取标签前应过滤低质量读段。常见做法包括去除包含过多低质量碱基的读段、识别并去除接头序列、对尾部低质量区域进行滑动窗口裁剪等。该步骤的目标是尽可能保留有效读段，同时降低后续细胞条形码错误匹配的概率。

2. 细胞条形码与分子标识符提取与校正

从读段前端固定长度区域中提取细胞条形码、唯一分子标识符以及可能的液滴索引序列。提取时需要依据文库结构配置各段长度，例如“液滴索引 8 bp + 细胞条形码 10 bp + 分子标识符 10 bp”或类似格式。实际长度由建库方案决定，分析者需要根据实验设计准确设置。

提取出的细胞条形码常包含测序错误或 PCR 错误。为了区分真实细胞标签与错误标签，通常会构建一个已知的细胞条形码白名单，将原始标签与白名单进行比对，允许一个碱基以内的失配并纠正。若无法获得白名单，也可采用“高丰度标签聚类”策略，将出现频率高且彼此相似度高的标签归并为一个真实细胞标签。分子标识符通常不进行白名单校正，而是保留原始序列用于后续去重。

3. 基因组比对

标签序列之外的读段部分比对到参考基因组。比对质量直接影响最终基因计数。单细胞上游流程通常使用剪接感知比对工具，将读段准确映射到外显子与剪接位点。比对后需要根据读段比对位置，将读段与基因注释信息关联。只有唯一比对或高质量比对的读段才进入计数环节，以减少多基因家族或重复序列造成的误分配。

4. 比对结果与分子标签关联

该步骤将比对成功的读段与其对应的细胞条形码、唯一分子标识符进行关联。关联后的记录可以视为“某细胞中某基因的某个原始分子”。随后，对每个细胞内每个基因的分子标识符序列进行去重：完全相同或高度相似的分子标识符若比对到同一基因，则只计为一个分子。值得注意的是，由于分子标识符序列本身也可能产生测序错误，部分流程会对分子标识符进行网络聚类校正，将汉明距离较小的标识符合并为同一分子，从而进一步降低假重复。

5. 表达矩阵生成与基础质控

去重后统计每个细胞中每个基因的分子数，即可得到“细胞 × 基因”表达矩阵。该矩阵通常以稀疏格式存储，因为大部分基因在大部分细胞中不表达。生成矩阵后，还需要进行基础质控，包括：

• 统计每个细胞的基因数与分子总数
• 统计线粒体基因比例
• 识别空液滴与双细胞
• 标记异常高表达或低表达细胞

这些质控指标为后续细胞过滤与标准化提供依据。

四、上游定量工具的参数化与代码流程示例

当前主流的单细胞上游定量工具普遍采用“输入 FASTQ + 参考基因组 + 参数配置 -> 输出表达矩阵”的模式。虽然不同工具的调用方式有所差异，但核心参数具有相似性。以下通过一段示意性流程展示上游定量分析的一般操作逻辑。示例使用中立化的命令行描述，不指向特定商业软件。

# 步骤 1：检查读段质量
# 对双端 FASTQ 进行碱基质量分布与接头污染统计
qc_tool --input sample_R1.fastq.gz sample_R2.fastq.gz \
        --output qc_report.html
# 步骤 2：提取细胞条形码与唯一分子标识符，并根据白名单校正
barcode_extract --read1 sample_R1.fastq.gz \
                --read2 sample_R2.fastq.gz \
                --barcode-whitelist barcode_list.txt \
                --barcode-length 10 \
                --umi-length 10 \
                --output corrected_barcodes.tsv
# 步骤 3：比对到参考基因组
align_reads --read corrected_barcodes.tsv \
             --reference reference_genome.fasta \
             --annotation genes.gtf \
             --output aligned_reads.bam
# 步骤 4：分子标识符去重与表达矩阵生成
count_matrix --alignment aligned_reads.bam \
             --barcode corrected_barcodes.tsv \
             --umi-length 10 \
             --umi-cluster-threshold 1 \
             --output raw_feature_bc_matrix
# 步骤 5：基础质控报告
qc_matrix --matrix raw_feature_bc_matrix/matrix.mtx \
          --features raw_feature_bc_matrix/features.tsv \
          --barcodes raw_feature_bc_matrix/barcodes.tsv \
          --mitochondrial-prefix "MT-" \
          --output qc_metrics.csv

上述流程对应了从 FASTQ 到表达矩阵的完整链路。对于双微珠标记方案，还需要在提取阶段增加液滴索引字段，并在生成矩阵前依据液滴索引进行聚合。例如，记录中同时包含液滴索引、细胞条形码与唯一分子标识符三列，聚合时先按液滴索引分组，再在组内识别细胞条形码，从而避免多微珠共包封造成的偏差。

五、双微珠标记对定量流程的特殊影响

在采用“液滴索引 + 细胞条形码”两级标签的实验设计中，上游流程必须显式处理液滴索引。常见问题包括：同一液滴内出现多个细胞条形码时，应判定为多细胞共包封还是同一细胞的多个微珠；不同液滴携带相同细胞条形码时，如何避免错误合并。前者通常通过液滴索引聚合后，检查组内是否存在显著不同的转录组特征来辅助判断；后者则依赖细胞条形码白名单与液滴索引的联合唯一性，即同一细胞条形码在不同液滴索引下可视为不同捕获事件。

因此，分析者需要根据实验设计调整上游定量工具的参数，确保输出矩阵中的每个“细胞”对应一个真实的捕获事件，而不是简单地将相同细胞条形码的所有读段合并。这一环节若处理不当，会导致细胞数目虚增或转录组信号混合，进而影响下游聚类与差异分析。

六、上游输出矩阵的格式与下游衔接

上游定量流程最终输出的表达矩阵通常以稀疏矩阵格式保存，包含三个核心文件：条形码列表、基因特征列表与矩阵文件。稀疏矩阵格式可以有效减少存储空间，同时被大多数下游分析库直接读取。读取后的常见操作包括：

• 去除低质量细胞与低表达基因
• 基于总分子数或基因数进行标准化
• 高变基因筛选
• 主成分分析与批次校正
• 图聚类与可视化

上游矩阵中细胞命名方式、基因标识类型、线粒体基因前缀等元信息，需要在进入下游分析前确认。若上游工具默认使用染色体坐标拼接的基因命名，下游可能需要进行标识符转换。若线粒体基因未被单独标记，也需要预先在特征列表中识别，以便后续质控。

七、常见问题与排查建议

在实际分析中，上游定量阶段常遇到以下问题：

细胞数量显著少于预期：可能原因包括细胞条形码白名单不完整、标签提取长度设置错误、细胞捕获效率低或空液滴过滤阈值过严。建议检查白名单覆盖情况，并查看原始标签的频率分布，确认是否存在高频标签未被识别。

每个细胞的基因数异常偏低：可能与比对率低、基因注释版本不匹配、读段长度不足或分子标识符去重过度有关。建议逐步检查比对报告，并对比对到外显子区域的比例进行统计。

细胞数量异常偏高且存在大量低表达细胞：可能是空液滴或环境 RNA 污染造成的假细胞。可以通过基因数、分子数分布曲线识别拐点，合理设置过滤阈值。

双细胞比例偏高：双细胞是单细胞实验中常见现象，尤其在细胞浓度较高时。上游分析可以通过总分子数分布异常、细胞类型混合特征等信号识别双细胞，但更根本的改进在于优化实验加载浓度。

八、结语

单细胞转录组上游定量分析是一个多步骤、多参数、依赖实验设计的复杂过程。理解液滴微流控平台中的细胞条形码、唯一分子标识符与液滴索引协同机制，是正确执行上游流程的前提。从原始测序数据到表达矩阵，每一步都承担着特定的质量控制与信息转换任务。只有在这一阶段把细胞归属与分子计数做扎实，下游的细胞聚类、轨迹推断、差异表达与调控网络分析才具备可信基础。

对于希望系统掌握单细胞分析全流程的技术人员而言，建议先透彻理解上游定量工具输入输出关系与关键参数含义，再结合具体实验设计调整流程配置。上游分析不是简单的“跑命令”，而是需要与实验平台特性、文库结构、参考基因组版本深度绑定的数据工程环节。构建规范、可复现、可追溯的上游定量流程，将为后续所有单细胞数据挖掘工作奠定坚实的数据底座。