1. 先交代这份笔记是从哪来的我最早接触单细胞数据分析跟大家一样找了一套 Seurat 的标准代码从 Read10X 到 NormalizeData、FindVariableFeatures、ScaleData、PCA、UMAP、FindClusters 一路跑通。跑 PBMC demo 数据集的时候一切顺利图也漂亮当时我以为自己已经会了。直到换上自己课题里的肿瘤组织数据才发现真实项目的复杂程度完全是另一个量级上游比对出来的矩阵结构异常、质控阈值怎么定都像在瞎猜、UMAP 上样本各自分离根本没法看、注释出来的细胞亚群用 marker 验证没有一个站得住脚。这篇笔记就是我从那些失败经验里整理出来的。它不是一份纯代码手册而是把单细胞数据分析从 fastq 到生物学结论这条链路上每个环节“为什么这么做、怎么做、哪些地方容易踩坑”串起来的一份系统整理。适合刚接触单细胞数据分析的入门者建立全局框架也适合已经能跑通标准分析、但想在质控、批次校正和注释环节做得更扎实的研究者参考。单细胞数据分析最核心的部分其实不是跑代码而是每一步都在做判断和取舍这篇笔记想把判断的依据讲清楚。2. 上游比对不做对后面全是白做2.1 三种主流定量方案怎么选单细胞测序数据分析的起点是测序仪下机的 fastq 文件但在把它变成基因表达矩阵之前得先选一条定量路线。目前主流的方案主要有三个10x 平台配套的 Cell Ranger、基于 STAR 比对器的 STARsolo、以及基于伪比对的 kallisto|bustools。另外还有 Alevin 等方案但我实际项目里用得最多的还是前三者。Cell Ranger 是 10x 官方出品的流程从比对、UMI 去重、空液滴鉴定到表达矩阵生成全部打包输出目录结构规范Seurat 读起来非常顺。它的最大优势是“傻瓜化”但也正因为太一体化想改中间参数或者排查具体问题的时候灵活性不够。STARsolo 是 STAR 比对器在单细胞数据上的专门模式同样能做比对和 UMI 定量但自由度更高可以通过 soloType、soloFeatures 自定义输出内容也方便和 Cell Ranger 的结果做交叉验证。kallisto|bustools 走的是伪比对路线速度极快适合先快速跑一版看看数据整体情况但比对敏感性和复杂转录本的处理能力不如 STAR 系。我自己比较固定的习惯是10x 平台的常规项目直接用 Cell Ranger样本量特别大、需要快速预探索的时候拿 kallisto 先跑一版涉及自定义参考基因组、非标准注释或者想对比对过程有更多控制的时候用 STARsolo。不管选哪条路强烈建议保留原始比对文件和中间产物不要跑完只留一个过滤后的表达矩阵。否则后面发现问题想排查只能从头重跑十几个小时就这么没了。2.2 参考基因组版本不能随手选也不能中途乱换参考基因组版本这个问题看起来是个小选择实际影响非常大。同一套数据用 GRCh37 和 GRCh38 的注释跑出来检测到的基因数、UMI 分布、甚至下游差异基因列表都会有差别。如果项目里混用了两个版本合并矩阵时基因 ID 的转换匹配会损失掉几千个基因而且这种损失不是均匀分布的某些功能类别可能受影响更大。更重要的原则是版本锁定整个课题从第一个样本到最后一个样本参考基因组和注释文件尽量保持完全一致。真遇到不得不换版本的情况比如某个基因在新注释里被重命名了那必须把新旧矩阵在关键 marker 基因上的表达量做前后对照确认没有系统性偏移之后才能合并分析绝对不要直接把两个不同版本的矩阵塞进同一个 Seurat 对象。常见的参考来源有 ENSEMBL、GENCODE、UCSC 三套它们对同一版本基因组的外显子注释细节有差异。我建议固定用其中一套并且把具体版本号记录在分析文档里。别小看这个动作单细胞项目周期长三个月后你自己回头都会忘记当时用的哪一版更不用提课题组里其他人的协作。2.3 读入表达矩阵时那些基础但高频的坑Cell Ranger 的 filtered_feature_bc_matrix 目录下有 matrix.mtx.gz、features.tsv.gz 和 barcodes.tsv.gz 三个文件。听起来很简单但我在实际分析里见过太多人栽在这几个基础地方旧的 10x 输出里第三个文件叫 genes.tsv新版本才改成 features.tsv代码没做兼容就报错features.tsv.gz 旧格式只有两列新格式三列且带 Feature 类型Read10X 读取后没有检查行列数直接往下跑结果发现基因数和 Cell Ranger 报告对不上。我的建议是读入后第一步就先核对三个数矩阵行数是否等于注释文件的基因数列数是否等于 barcodes 文件的行数总 UMI 数是否和 Cell Ranger 的 metrics_summary 对得上。这三个数任何一个对不上都说明读取过程有遗漏或者文件不完整这时候停下来排查比带着错误数据往下跑要省时间得多。另外要提醒的是Cell Ranger 会输出两个矩阵raw_feature_bc_matrix 和 filtered_feature_bc_matrix。常规做法是用 filtered 矩阵也就是排除了空液滴后的结果但我不建议把 raw 矩阵丢掉。有些真实细胞如果本身表达量极低比如静息状态下的细胞或衰老细胞很可能落在过滤边界附近被误伤。主分析可以用 filtered保留 raw 作为备用等需要排查特定样本或重新评估空液滴判定阈值的时候raw 矩阵就是救命稻草。3. 质控过滤固定阈值是最省事也是最危险的做法3.1 三个核心指标的真实含义质控阶段大家最先接触的指标是 nFeature_RNA每个细胞检测到的基因数、nCount_RNA每个细胞的 UMI 总数和 percent.mt线粒体基因 UMI 占比。教程里通常会给出“nFeature 大于 500、percent.mt 小于 20%”这类固定阈值但真实项目里单看任何一个指标都会有不少盲区。nFeature 高不一定是好事它完全可能是两个细胞被同一个液滴捕获基因组合并到一起的产物nFeature 低也不一定是坏细胞比如外周血里的中性粒细胞在 10x 平台上本来就被 dropout 效应折磨得厉害基因数低是它的真实状态而不是质量问题。percent.mt 高的细胞通常是因为细胞膜破裂导致胞质 mRNA 流失线粒体 RNA 相对稳定所以占比被动上升但也有些组织本身线粒体代谢旺盛比如肝脏细胞和某些肿瘤细胞线粒体比例天然偏高如果按常规阈值一刀切这些细胞会被全部杀光。正确的操作是先画四个分布图再看而不是一上来就定阈值nFeature 和 nCount 的散点关系、percent.mt 的分布直方图、nFeature 和 percent.mt 的联合散点图、以及每个样本各指标的箱线图。联合散点图特别重要它能帮你区分“高线粒体低基因数”的破碎细胞和“高线粒体高基因数”的难判断细胞这两类在处理策略上是完全不同的。3.2 用中位数和 MAD 代替拍脑袋定阈值固定阈值最大的问题是不适配数据本身。不同组织、不同解离批次、不同测序深度基因数和 UMI 的基线水平差异巨大。同样一个“nFeature 小于 500 过滤”的规则在一批平均基因数 3000 的数据里几乎不起作用在另一批平均基因数 800 的数据里可能把大半细胞都误杀了。更稳的做法是使用中位数和绝对中位偏差MAD来定义离群值。基本逻辑是对每个质控指标先算出中位数和 MAD然后把中位数加减若干倍 MAD 作为上下界超过这个范围的细胞标为离群。这个方法的优势在于它会根据数据自身的分布自动调整检测深度高的样本阈值自动放宽检测深度低的样本阈值自动收紧。实际执行时每个样本要单独跑 QC不要把所有样本合并在一起计算阈值。原因是样本间的批次效应会直接污染统计分布比如某个测序深度特别高的样本会把整体中位数拉上去导致低深度样本的正常细胞被批量标记为离群。我见过不少项目团在一起跑 QC结果最后全样本 nFeature 阈值变成一个毫无意义的数字。3.3 双细胞预测不省这一步后面会被假象坑双细胞doublet就是同一条液滴里捕获了两个或以上细胞表达谱是两个细胞类型的“混血儿”。如果不过滤聚类结果里特别容易产生一个位于两类细胞之间的过渡 cluster表面看像新的细胞状态用 marker 一验证才发现是双阳性的混合物。常用的工具有 DoubletFinder、scDblFinder、Scrublet。我的建议是在基础 QC 之后、标准化之前就跑双细胞预测并且参考预期双细胞率来设定参数。10x 官方有一个对应表上样约 10000 个细胞时双细胞率大约在 4% 左右上样 20000 时可能到 8% 以上。你可以用这个比例作为先验值再根据预测结果微调阈值。不过要清楚双细胞预测不是万能的。两个相同类型的细胞形成的同源双细胞表达谱和单个细胞几乎一模一样任何工具都没法识别。还有一类情况是双细胞比例极低比如低于 1%工具可能会为了降假阳性而把它们放过。所以双细胞过滤只解决了一部分问题后续聚类之后发现某 cluster 同时高表达两套不相关 lineage 的 marker要果断回过来检查它是不是漏网的双细胞。3.4 哪些细胞不能无脑过滤质控阶段经常被误杀的是那些“本身就低表达”的真实细胞。比如静息 T 细胞、静止的干细胞甚至某些组织的基质细胞它们的基因数和 UMI 数天然比活跃增殖的细胞低一个量级。如果按全样本统一阈值过滤它们是最先被清掉的一批。另外红细胞污染和血小板污染也值得单独判断。红细胞几乎没有细胞核但它的珠蛋白基因表达量极高如果解离过程溶血严重血红蛋白基因会占掉相当大比例的 UMI反过来压低其他基因的检出。血小板则更特殊它们没有细胞核但会粘附在其他细胞表面导致某些 cluster 里出现高水平的血小板标志基因 PF4、PPBP这通常不是真的新亚群而是污染信号。对这些干扰合理的策略是做针对性处理而不是统一过滤。比如把血红蛋白基因和血小板标志基因放进一个排除列表在 ScaleData 或者高变基因选择阶段把它们移除而不是直接把整个细胞删掉。造血组织的真实巨核细胞是正常细胞类型不能因为表达血小板标志就把它们和血小板污染混为一谈。4. 标准化、降维和聚类这一步决定你所有下游图的走向4.1 LogNormalize 与 SCTransform 的选型逻辑Seurat 的 NormalizeData 默认方法是 LogNormalize核心是先把每个细胞的 UMI 总数缩放到一个统一的文库大小再取对数。它简单、稳定、生态支持最全对大部分转录组项目完全够用。SCTransform 则是基于负二项回归的方差稳定化方法它会把 UMI 深度与基因表达之间的关联建模并移除在处理测序深度差异极大的数据集时聚类往往更干净代价是计算量显著上升。我的取舍标准很简单样本数不多、细胞类型清晰、测序深度比较均匀的项目用 LogNormalize 就好没必要为了“新方法”而新。如果样本之间测序深度差异悬殊比如不同批次取材时间隔了一整年或者下游计划跑 SCTransform 配套的整合流程那就用 SCTransform。有一点要特别注意用 SCT 的时候不要再额外做一遍 LogNormalize 再跑整合因为 SCT 的模型已经包含了 UMI 深度的校正叠加标准流程会把方差结构搅乱。4.2 高变基因数和主成分数不是固定的FindVariableFeatures 默认选 2000 个高变基因这个参数在大部分项目里够用但数据越复杂越需要增加。肿瘤微环境这种上皮、免疫、基质多种细胞类型混在一起的数据我会先跑 2000 看一版然后加到 3000 或 4000 再跑一版比较两批特征基因的组成和聚类稳定性。如果某类细胞的 lineage marker 根本没有进入高变基因列表那聚类结果几乎不可能把这类细胞分开。主成分数的选择更是这样。ElbowPlot 只是一个参考工具它显示的“拐点”不代表标准答案。我在实操中会跑一个 30 到 50 维的 PCA然后分别用不同的 PC 数做聚类观察哪一组数据得到的 UMAP 分离度和注释结果最稳定。如果注释结果对 PC 数特别敏感比如少一个 PC 就丢一个亚群说明数据里噪声偏多或者标志信号不够强这时候应该回到上游检查过滤参数而不是继续加 PC 硬撑。4.3 UMAP 和 tSNE 不是同一类工具别混着用很多教程会把 UMAP 和 tSNE 并列介绍好像它们是同一个目的下的两个可选项。实际上它们保留的信息结构不同tSNE 更偏局部结构对局部邻域的保持非常敏感代价是全局拓扑会被拉伸变形UMAP 在局部和全局之间找平衡聚类边界往往更清楚但某些细微的过渡状态可能被忽略。聚类判断的依据是聚类结果本身不是 UMAP 图的“一堆点长得像不像”。我遇到过不少次UMAP 上看起来两个 cluster 是分开的但用 FindMarkers 验证后发现差别的基因全是核糖体蛋白或应激基因没有真正的生物学意义。反过来也有 UMAP 上几乎贴在一起的几个 cluster通过 marker 验证被证明是不同细胞类型。画 UMAP 的时候n.neighbors 和 min.dist 这两个参数值得手动调一下。n.neighbors 小局部结构更细腻但容易碎成散点n.neighbors 大全局结构更清楚但小亚群可能被糊掉。我有一次分析 T 细胞亚群默认参数下 CD4 和 CD8 完全没有分开把 n.neighbors 调到 20、min.dist 调到 0.1 之后两组细胞边界清楚得多。所以 UMAP 参数本身就是可视化调优工具在聚类结果不变的前提下调到最能反映 cluster 边界的参数是合理的。4.4 聚类分辨率多出来的群不一定是真的FindClusters 的 resolution 参数直接决定 cluster 数量也是新手最爱调的一个旋钮。分辨率越高分群越多但多出来的群不一定是真实生物学亚型。最常见的情况是原本一群 T 细胞在 resolution 从 0.5 升到 1.2 后被劈成七八个碎块其中大部分没有 marker 支撑只是被增殖基因、热休克蛋白基因或线粒体转录本驱动出来的“伪差异”。我的方法是从低分辨率开始先看大类是否清晰然后逐级上调。每上调一档新增的 cluster 都要做一轮验证它和邻近 cluster 的差异基因是什么、这些差异基因有没有已知的 marker 支撑、在独立样本里能不能稳定复现。如果新 cluster 的唯一区别是 HSP 基因和核糖体基因高表达那它大概率是应激造成的裂解不是生物学上值得关注的新亚群直接合并或者忽略都行。5. 批次效应什么时候校正、怎么校、校过头了怎么办5.1 先判断是不是真的需要校正批次校正工具不是无脑用的它们会拟合出一个“批次偏移”并把它抹掉如果在不需要校正的数据上强行使用代价是真实的生物学差异被一起抹掉。所以在任何校正之前先画一张按样本着色的 UMAP问自己三个问题样本是完全分离还是混在一起分离的维度是否对应实验分组比如处理组和对照组如果不对应实验分组分离是不是来自技术批次上机时间、测序平台、试剂批次如果分离主要来自实验分组那这是生物学差异不是批次效应不能校正。如果分离来自技术批次还要再看有没有一个隐蔽因素各样本中细胞类型群落比例本身就不同。比如一组样本上皮细胞比例高、另一组免疫细胞比例高UMAP 上也会呈现明显分组但这种分组来自组织构成的真实差异套用批次校正反而会抹掉肿瘤微环境的核心特征。5.2 Harmony 与 Seurat 整合的适用场景批次校正目前最常用的两条路线是 Harmony 和 Seurat 的 IntegrateData。Harmony 直接在 PCA 降维之后的 embedding 上做迭代校正然后基于校正后的 embedding 跑聚类和 UMAP。它的速度极快内存压力小适合动辄十万、几十万细胞的规模化数据。由于它不改变原始表达矩阵下游做差异表达时仍然可以用原始的 RNA assay 数据这让它的“侵入性”相对较小。Seurat 的 IntegrateData 则更重它基于 CCA 或 RPCA 锚定细胞对来整合数据再把多个样本对齐到共享空间中。CCA 整合比较擅长跨平台、跨物种或者差异极大的数据比如正常组织和肿瘤组织的联合分析RPCA 是 CCA 的高效版本适合细胞量大的场景。代价是整合过程计算开销大而且整合后的对象结构更复杂刚上手很容易搞不清到底该用哪个 assay 做下游分析。我个人习惯同一批次内多个样本或者批次来源比较单一的数据优先用 Harmony跨批次、跨平台甚至跨物种的数据优先考虑 Seurat 整合。但不管用哪条路线校正后都要重新验证一遍已知细胞类型 marker 的表达确认校正没有把能够区分的细胞群糊到一起。5.3 过度校正的三个识别信号过度校正的第一个信号是我前面提到的原本能够区分的细胞类型被混到了一起。比如肿瘤上皮和正常上皮本来表达差异明显校正后完全叠成一团找不出差异基因。第二个信号是“塑料感”比例各样本的细胞类型比例在整合后变得高度一致等于说生物学上的样本间差异被强行抹平了这种情况下后续样本间比较会变得非常“干净”但这种干净是假的。第三个识别方法是回到 marker 基因做验证。校正后随机的跑几个已知 lineage 标志基因比如 T 细胞的 CD3D、巨噬细胞的 CD68看它们的表达是不是仍然集中在对应 cluster。如果这些标志基因在整合后被打散到多个 cluster 且表达量接近背景说明校正强度过大需要调整参数或者换一种校正策略。6. 细胞类型注释自动注释只是参考手动注释决定论文质量6.1 自动注释工具为什么只能做参考用 SingleR、CellTypist 这类工具跑自动注释已经很普及它们的原理是一致的把待注释细胞的表达谱与参考数据集的已知类型做相似性比对返回最可能的标签。问题在于参考数据集本身有覆盖偏差。大部分公开参考集在免疫细胞和血液细胞上训练得最充分遇到组织特异性细胞、罕见亚群、肿瘤细胞时给出的标签经常不可信。我自己测试过的常见错误包括上皮细胞被注释成巨噬细胞因为肿瘤上皮高表达某些髓系相关基因、内皮细胞被注释成成纤维细胞因为间质基因的重叠、γδT 细胞被注释成 NK 细胞因为共享杀伤功能相关基因。这些错误单个看有它的“合理性”但整体上离真实生物学非常远。自动注释的正确用法是提供初始感知这团细胞大概率属于淋巴系还是髓系、间质还是上皮。它相当于一个粗筛不能作为最终注释写进任何报告。真正的注释必须落到手动验证上。6.2 手动注释的执行顺序先大类后亚群手动注释看起来玄学实际上有一套固定框架。我的顺序分两层第一步在较低分辨率的聚类结果上确定每个 cluster 的大类比如 T/NK、B、髓系、上皮、内皮、成纤维细胞。这一步的关键是找公认稳定的 lineage marker用 DotPlot 把候选 cluster 和 marker 基因做成矩阵对比比一个一个画 FeaturePlot 高效得多。第二步对感兴趣的细胞大类做二次聚类进入亚群注释。T 细胞要区分 CD4、CD8、Treg、γδT就必须把 T 细胞单独圈出来重新做降维聚类因为全数据层面的 cluster 分辨率不够亚群会被淹没在主群里。二次聚类时要注意重新选择高变基因和主成分数不能复用全局参数。这一步是手动注释的核心工作量所在也是注释质量的分水岭。6.3 marker 验证三件套只看 UMAP 等于没验证注释完之后每个人都觉得自己的 UMAP 很漂亮但漂亮不代表正确。我要求自己至少做三层验证。第一层FeaturePlot 画关键 marker看表达是否集中在对应 cluster而不是全图弥散。第二层DotPlot 把每个注释类型的 3 到 5 个核心 marker 放在一起看点的大小和颜色是否和预期一致。第三层用 VlnPlot 或平均表达量表把每个 cluster 的 marker 表达量做成数值表格。如果某个 cluster 同时高表达 CD3D 和 CD68基本只有两种可能它是 T 细胞-髓系双细胞或者注释流程有问题两种情况都说明这个 cluster 不能直接拿来用。marker 来源我一般用三层交叉CellMarker 2.0 数据库、PanglaoDB、以及目标组织近五年的单细胞论文。不同组织的同类细胞 marker 有差异盲目套用血液免疫的 marker 列表到肝脏或脑组织很容易出错。6.4 “新细胞类型”要先怀疑再验证手动注释中最让人激动的瞬间是发现一个“教科书里没写过的新亚群”。我的建议是对这类发现保持高度警惕尤其是它同时具备以下特征没有专一的核心 marker差异仅由应激基因、核糖体蛋白基因或低表达基因组驱动在 UMAP 上位置正好位于两个已知亚群之间在不同样本间不能稳定复现。这类情况大概率是双细胞、过渡状态或者批次残留不是真正的罕见亚群。一个可信的罕见亚群一定有自己稳定的核心 marker 组合并且在独立样本中能重复出同样的 cluster 和 marker 模式。判断新类型之前先回到原始数据里把它自己一个个细胞翻出来看图片来源、批次、双细胞分数、marker 共表达情况都查一遍再做结论。7. 差异表达、富集、拟时序与细胞通讯的实际教训7.1 FindMarkers 的默认参数会漏掉低表达但重要的基因Seurat 的 FindMarkers 默认用 Wilcoxon 检验logfc.threshold 默认为 0.25这个阈值会把表达变化不剧烈的基因全部过滤掉。很多细胞因子、趋化因子、受体分子的表达量本来就很低fold change 也不大但生物学意义很强默认参数跑下来它们全部不显著。我的做法是跑两轮差异表达。第一轮按默认参数稍加严格得到核心差异基因集用于火山图和总览。第二轮不设 logfc.threshold只按调整后 P 值筛选专门找那些低表达但显著的基因。然后把两轮结果交叉比对重点看第二轮里有哪些基因是已知的信号分子或调控因子。这个方法虽然会让差异基因列表变长但确实比单跑一轮默认参数稳得多。7.2 富集分析不要只拿“显著基因”跑很多人把差异表达结果中调整后 P 值小于 0.05 的基因提取出来然后喂给 clusterProfiler 跑 GO 或者 KEGG。这种做法本身没错但它有一个天然的不稳定性差异基因数量越少富集结果就越脆弱。如果最终显著基因只有三五十个富集出来的通路往往是由两三个种子基因强行拉起来的换一版阈值结果就翻天覆地。更稳的方案是做全基因排序的 GSEA。用 log2FC 对整个基因列表排序不管它是不是显著然后跑 fgsea 或 clusterProfiler 的 GSEA 功能。这样做所有基因都对结果有贡献不会被显著性阈值左右重复实验之间的结果稳定性也好很多。富集分析的本质是找“协调变化的一组基因与哪些通路相关”而不是验证“我手里的几十个基因在哪些通路富集”。7.3 拟时序的“方向”不是算法告诉你的monocle3 是目前做拟时序分析最常用的工具但很多人不知道算法本身不知道你的生物学故事该从哪头开始。如果不显式设定根细胞默认的根节点可能是随机的或者是算法按自己规则定的跑出来的“分化轨迹”有时候正好和你的预期反向。正确流程是先明确轨迹的起点应该是什么细胞状态。比如分析 T 细胞耗竭轨迹起点应该是 naive 或记忆 T 细胞终点是耗竭 T 细胞。在 monocle3 里要显式设定 root 节点选哪些细胞作为根需要结合 marker 表达和领域知识来判断不能拍脑袋。轨迹方向的错误很难通过看图发现因为反向的轨迹看起来也像一条平滑的“分化路径”但它讲出来的故事是完全错误的。7.4 细胞通讯分析最容易过度解释CellChat、CellPhoneDB、NicheNet 这类工具在单细胞论文里几乎成了标配但它们也是单细胞数据分析里最容易被过度解读的部分。这些工具的本质是基于配体-受体数据库做富集判断数据库覆盖度、输入细胞类型的分辨率、归一化方式都会强烈影响结果。跑出来一堆“显著通讯”并不代表这些配体-受体对在组织里真的发生了互作。我自己内部设了一套验证标准先看总通讯强度排在最前面的几对细胞类型是否在生物学上有意义再看这些配体-受体关系在文献中有没有支持最后看配体和受体基因在对应细胞亚群里的实际表达量。如果某个通讯连接在文献里没有先例、只有一条很小的 P 值支持我不会把它写进报告。细胞通讯分析应该作为假设生成工具而不是用来“证明”某个机制的手段。另外如果你想在单细胞项目里分析免疫组库BCR/TCR比如与标题相关的 BCR 单细胞分析那要明确这是另一套数据逻辑。免疫组库分析依赖 cellranger vdj 流程产出的克隆型数据核心看克隆组成、克隆扩增、V/J 基因使用频率再把这些信息与表达矩阵的细胞亚型关联起来。不要试图把 VDJ 信息硬塞进 Seurat 的 RNA assay 里当普通表达数据算两套数据各自处理之后再做联合分析才是合理的路线。8. 最后以我实际踩坑换来的几条提醒这篇笔记里的每一条经验都是拿真实课题数据换来的。跑通单细胞标准流程只需要一天但真正理解每个环节在做什么、为什么这么做需要好几个项目周期反复锤炼。我最后再分享几个对我最有用的检查习惯。第一每更换一批数据质控参数必须重新评估哪怕它是同一类组织。我见过同一套立式流程跑完新样本之后硬生生把一个细胞类型整体过滤掉了只因为新样本的平均基因数比训练样本低一截。第二zUMI 跑完聚类后先不要急着注释先按样本着色看一遍 UMAP、按已知 marker 看一遍 DotPlot这两个动作能帮你避开大部分假阳性。第三遇到任何“看起来很好”的结果特别是新亚群、强通讯、显著富集先怀疑数据再怀疑自己最后才考虑写进报告。这样虽然过程慢但最终拿到的结论经得起审稿人和合作者反复追问。