想象你继承了祖辈传下来的一本「身体相册」。相册里不是普通照片，而是几十万个细胞的自拍：每个细胞都用分子语言记录了自己活过的证据——它读过哪些基因、说过哪些话、来自哪块组织。问题是这些自拍全都挤在一起，有的模糊、有的过曝、有的甚至两张脸叠在一起。你要做的是把它们一张张扫描进电脑，剔除废片，统一曝光，然后按「谁和谁长得像」分堆归类，最后给每堆贴上一张身份标签：谁是守门员，谁是巡逻兵，谁是干活的工人。这就是单细胞 RNA 测序（scRNA-seq）与降维聚类要解决的事。把每个环节对应成相册整理步骤，你就能明白实验室里那一堆矩阵、曲线和散点图，到底在替细胞讲什么故事。

岗位关联

掌握 scRNA-seq 与降维聚类，你就能在单细胞水平解码组织异质性，为疾病分型、靶点发现和器官图谱绘制提供关键证据。

目录
  1. 可视化演示
  2. 1. 测序原理：细胞合影与单人特写
  3. 2. 数据质控：清理模糊照片
  4. 3. 归一化校正：统一曝光和底片
  5. 4. 降维方法：把高维相册摊上地板
  6. 5. 聚类算法：照片自己围成小圈子
  7. 6. 细胞注释：给每堆照片贴标签
  8. 7. 实操流程：一套完整的相册整理清单
  9. 8. 应用与挑战：从个人相册到全人类档案
  10. AI 应用场景
  11. Python 演示
  12. 常见误区
  13. 面试题

可视化演示

展示单细胞RNA测序数据经UMAP降维形成细胞簇、PCA方差解释与Marker基因表达热图。

本节配有交互动效（进入视口后自动加载，约 3KB）。

UMAP降维 6簇2D分离 n=15,d=0.3 保留局部结构揭示全局分布

1. 测序原理：细胞合影与单人特写

家里的相册页上，成百上千张细胞自拍挤成一团。想看清谁是谁，第一步必须把它们分开，再一张张单独扫描。scRNA-seq 干的就是这件事：把一块组织剪碎、消化，制成单细胞悬液，再用微流控芯片让每个细胞掉进独立的小液滴，仿佛把挤在一起的照片分装进一个个透明小袋子。

每个小液滴里除了细胞，还有一颗带条形码的微珠。这颗微珠像给每张照片加盖「主人编号」的印章，细胞里所有被捕获的 mRNA 都带上这个条码，之后把几万个液滴混在一起高通量测序，依然能靠条码把数据对回各自的主人。原始表达矩阵就是一个长表格：每一行是一个基因，每一列是一个细胞，格子里的数字表示该基因在这个细胞中检出多少条转录本。

这里的核心技巧是 UMI（唯一分子标识）。PCR 扩增会让同一条 mRNA 被复制很多遍，计数容易虚高。UMI 就像每张底片自带的唯一编号，测序时只统计「出现过哪些编号」，从而把技术噪声压下去。

可以这样想：只有扫描清晰、编号完整的底片，才能保证后面所有整理动作不会张冠李戴。测序这一步，就是给整本相册定下数据地基。

countsg,c∼Poisson(λg×sc)\displaystyle \text{counts}_{g,c} \sim \text{Poisson}(\lambda_g \times s_c)
这一公式说明：在细胞 c 中基因 g 的实测 UMI 计数，是基因真实丰度 \(\lambda_g\) 与细胞测序深度 \(s_c\) 共同作用下的随机采样结果。
  1. 实测计数左侧 counts 是表达矩阵里那个整数，表示基因 g 在细胞 c 中被 UMI 标记到的转录本数量。
    countsg,c\displaystyle \text{counts}_{g,c}
  2. 泊松采样转录本被捕获、逆转录、建库的过程近似随机抽样，所以服从泊松分布。
    ∼Poisson(λg×sc)\displaystyle \sim \text{Poisson}(\lambda_g \times s_c)
  3. 基因丰度与深度乘积基因本身表达越强，或这个细胞被测到越深，观察到的计数就越高，二者必须分开处理。
    λg×sc\displaystyle \lambda_g \times s_c

2. 数据质控：清理模糊照片

整理相册时，你会先把模糊的、过曝的、两张脸叠在一起的照片挑出来扔掉。scRNA-seq 数据分析的第一步——质量控制（QC），做的就是这件事。你面对的是几万个细胞，里面混杂着破损的死细胞、空液滴、双细胞，还有测序质量太差的样本。

判断「照片是否清晰」有三个常用指标。第一，总 UMI 数过低：说明这个细胞几乎没有测到几条转录本，像一张全黑的废片。第二，检出基因数过少：说明细胞状态不好或捕获失败，画面内容太少。第三，线粒体基因比例过高：正常活细胞的细胞膜完整，mRNA 大多来自细胞核；细胞一旦破损，细胞质里的 mRNA 流失，只留下线粒体里的转录本，线粒体比例就会飙升。

双细胞则更隐蔽：两个细胞被包进同一个液滴，条码相同，测序结果像两个人脸重叠在一张照片上。它们会伪装成「基因数超高的细胞」，在聚类时形成诡异的中间簇，必须用算法或阈值剔除。

清理完废片，相册里剩下的都是状态良好的「正面照」，后续的曝光统一才有意义。省掉质控，就等于让一堆糊照片污染整本相册。

mitoctotalc>0.2⇒discard\displaystyle \frac{\text{mito}_c}{\text{total}_c} > 0.2 \Rightarrow \text{discard}
当线粒体计数占总 UMI 计数的比例超过 20%，该细胞极可能已经破膜濒死，应在后续分析中剔除。
  1. 分子，线粒体转录本mito 是该细胞中定位到线粒体基因组的 UMI 总数，代表残存的细胞质 mRNA 信号。
    mitoc\displaystyle \text{mito}_c
  2. 分母，全部转录本total 是该细胞所有检测到的 UMI 总和，作为比例的基准。
    totalc\displaystyle \text{total}_c
  3. 阈值判断超过 20% 视为破损细胞，执行丢弃操作。
    >0.2⇒discard\displaystyle > 0.2 \Rightarrow \text{discard}

3. 归一化校正：统一曝光和底片

不同的照片拍摄于不同时间、不同灯光，有的偏暗有的偏亮。如果不统一曝光，你很难分辨「两个人肤色差异」是真的，还是仅仅因为一张照片欠曝、另一张过曝。单细胞数据同样如此：每个细胞的测序深度差异巨大，有的细胞被测了五万条转录本，有的只有一万条，原始计数不可直接比较。

最经典的归一化是 CPM 法。先把每个基因的计数除以该细胞的总计数，得到比例，再乘上一个统一系数（如一百万），最后取对数。这样每个细胞都站在同一条「曝光基准线」上。归一化之后还要挑选高变基因：就像从几千个画面特征中，只留下那些最能区分照片的颜色、构图和光线，而不是背景墙纸的纹路。

批次效应是更麻烦的「色偏」：同一批组织分两天上机，可能因为试剂批次、仪器状态不同而产生系统性差异。如果不校正，聚类时你会以为两天的细胞是两种细胞类型。常见做法是使用批次整合算法（简单说，就是把不同批次的数据对齐到同一个基准空间）或把批次信息作为协变量建模。

所有照片都在同一曝光标准下，才能公平地比较谁亮谁暗、谁高谁低。归一化不是可选项，而是让不同细胞、不同批次成为「同一本相册」的前提。

logCPMg,c=log⁡2(countsg,c∑g′countsg′,c×106+1)\displaystyle \text{logCPM}_{g,c} = \log_2\left( \frac{\text{counts}_{g,c}}{\sum_{g'}\text{counts}_{g',c}} \times 10^6 + 1 \right)
logCPM 将每个细胞的基因表达量换算成每百万条转录本中的相对丰度，再取对数，使强表达基因和弱表达基因处于更均衡的尺度。
  1. 分母，细胞总计数对每个细胞求和，得到该细胞的测序深度，相当于整张照片的曝光总量。
    ∑g′countsg′,c\displaystyle \sum_{g'}\text{counts}_{g',c}
  2. 缩放因子乘以 10^6，把比例换算成「每百万转录本中的条数」，便于不同细胞间比较。
    ×106\displaystyle \times 10^6
  3. 对数变换log2 并加 1 防止零取对数无定义，压缩表达量动态范围。
    log⁡2(…+1)\displaystyle \log_2(\ldots + 1)

4. 降维方法：把高维相册摊上地板

修好照片后，每张照片身上挂着上千个特征：几千个基因的表达量。你不可能在三维世界里逐一查看这样的「高维相册」，必须在地上铺一张二维地图，把相似的照片摆得近、不同的摆得远。这就是降维可视化。

降维分成两步。第一步是 PCA（主成分分析）：它像一名构图师，先找到数据中方差最大的方向，称为第一主成分；再找与之正交的第二方向；依次类推。PCA 不追求完美还原所有细节，只抓住「最能区分细胞」的大线索，同时还能去掉噪声。实际操作中，大家通常保留前 10～30 个主成分，而不是末尾那些几乎没什么信号的成分。

第二步是 t-SNE 或 UMAP。它们把主成分空间进一步「摊」到二维平面上。t-SNE 擅长把相似细胞拉得更近，但对全局结构不敏感；UMAP 则保留更多全局拓扑信息，速度更快，已成为主流。可以这样理解：PCA 是先按身材高矮站队，UMAP 是最终在客厅地板上给每个人安排位置，让熟人都能聚在一起聊天。

摊在地板上的二维布局只是「地图」，不是真实尺寸。你看地图上两个人离得远，只能说他们的转录状态差异大，不能说他们之间没有任何关系。降维，永远是方便观察的投影工具。

max⁡w1w1⊤Σw1s.t. ∥w1∥=1\displaystyle \max_{\mathbf{w}_1} \mathbf{w}_1^\top \mathbf{\Sigma} \mathbf{w}_1 \quad \text{s.t.}\ \|\mathbf{w}_1\|=1
第一主成分就是在单位长度约束下，使数据投影方差最大的那个方向向量，其中 \(\mathbf{\Sigma}\) 是基因表达矩阵的协方差矩阵。
  1. 协方差矩阵Σ 描述基因与基因之间表达变化的协同关系，是 PCA 的输入材料。
    Σ\displaystyle \mathbf{\Sigma}
  2. 二次型投影方差将方向向量 w1 代入二次型，得到数据沿该方向投影后的方差。
    w1⊤Σw1\displaystyle \mathbf{w}_1^\top \mathbf{\Sigma} \mathbf{w}_1
  3. 单位向量约束限制 w1 长度为 1，防止通过放大向量来作弊，保证方向唯一。
    ∥w1∥=1\displaystyle \|\mathbf{w}_1\|=1

5. 聚类算法：照片自己围成小圈子

地图画好之后，谁来给照片分组？人工一张张分看不完，正确做法是让照片自己「找朋友」。首先为每个细胞构建 K 近邻图：把每个细胞看作一个节点，找到它在低维空间里最近的 K 个邻居，连上一条边。这样，整个数据集变成一张巨大的社交关系网，谁的圈子紧密、谁和谁只是点头之交，一目了然。

接下来用社区发现算法在这张网络里找「小圈子」。Louvain 和 Leiden 是两种最常用的算法。它们通过优化模块度来切分网络：模块度衡量的是「圈子内部的连接密度」比「随机情况下预期密度」高出多少。Leiden 在 Louvain 基础上修正了社区划分的连通性问题，结果更稳定。

还有一个重要旋钮叫分辨率参数。它决定你分得粗还是分得细：低分辨率会得到几个大簇，相当于只分「长辈辈」和「小孩辈」；高分辨率会得到更多小簇，相当于把每个小家庭都拆出来。没有绝对正确的分辨率，一般要结合后续注释的生物学可解释性来选。

聚类算法的产出，就是地板上一个个围坐成团的小圈子。它们没有名字，只有编号——真正的身份还要靠下一步来确定。

Q=12m∑i,j[Aij−kikj2m]δ(ci,cj)\displaystyle Q = \frac{1}{2m} \sum_{i,j} \left[ A_{ij} - \frac{k_i k_j}{2m} \right] \delta(c_i, c_j)
模块度 Q 越大，说明社区内部连接紧密程度越高于随机期望，聚类结果越可信。
  1. 邻接矩阵A 的元素表示节点 i 与 j 是否有边相连，有权图则为边的权重。
    Aij\displaystyle A_{ij}
  2. 随机期望边数ki、kj 分别是两个节点的度，乘积除以 2m 给出随机连接下的期望边数。
    kikj2m\displaystyle \frac{k_i k_j}{2m}
  3. 同簇判断δ 函数只在 i、j 属于同一簇时取 1，所以只有圈内连接才会计入模块度。
    δ(ci,cj)\displaystyle \delta(c_i, c_j)

6. 细胞注释：给每堆照片贴标签

聚类得到一堆编号（cluster 0、cluster 1……），就像你在客厅里摆了几堆没有名字的照片。细胞注释就是给每堆照片贴上身份标签：这是 T 细胞，那是 B 细胞，还有一群成纤维细胞。标签的依据，是 marker 基因——每种细胞类型都有一组「职业标牌」基因，只有它才高表达。

识别 marker 基因要靠差异表达检验：把某个簇的细胞和其余所有细胞比较，看哪些基因在簇内显著高表达，再结合「特异性」判断——真正的 marker 应该只在这个簇里高表达，而不是在所有簇里都高。常用的检验方法包括 t 检验、Wilcoxon 秩和检验等。

拿到候选 marker 后，可以走自动注释：把簇的平均表达谱与已知细胞类型的参考数据库比对，让算法推荐最可能的身份。但数据库并不完美，最后一步必须人工验证：查看经典的 marker 基因是否高表达、在 UMAP 图上是否呈现合理的空间分布，必要时还要回到原始病理切片上确认。

给每堆照片贴上「职业标签」后，整本相册才算真正归档完成。一个簇能不能被命名，取决于标记基因站不站得住脚，而不是你希望它是什么。

t=xˉA−xˉBsA2nA+sB2nB\displaystyle t = \frac{\bar{x}_A - \bar{x}_B}{\sqrt{\frac{s_A^2}{n_A} + \frac{s_B^2}{n_B}}}
这是两样本 t 检验的统计量：分子是两个簇的均值差，分母是合并标准误，用来判断差异是否足够显著。
  1. 均值差xA 与 xB 分别是目标簇与背景细胞的平均表达量，差值越大，差异信号越强。
    xˉA−xˉB\displaystyle \bar{x}_A - \bar{x}_B
  2. 方差贡献每个簇的方差除以样本量，衡量均值估计的不确定性。
    sA2nA+sB2nB\displaystyle \frac{s_A^2}{n_A} + \frac{s_B^2}{n_B}
  3. 标准化检验量差值越大、波动越小，t 值越大，越有把握认为该基因是真实上调的 marker。
    t=……\displaystyle t = \frac{\ldots}{\sqrt{\ldots}}

7. 实操流程：一套完整的相册整理清单

前面讲的是理论，实际工作中你不会从零写算法，而是用成熟工具把整个流程串起来。Seurat 是 R 语言里最流行的单细胞分析包，Scanpy 是 Python 生态的首选，两者都内置了从读取矩阵、质控、归一化、降维、聚类到注释的一整套管道。

跑通流程只是第一步，真正花功夫的是参数调优。比如质控阈值该定多严？高变基因选 2000 个还是 5000 个？PCA 保留多少主成分？聚类分辨率调到 0.5 还是 1.0？这些参数互相影响，需要通过诊断图反复调试：质控阶段的 violin plot、归一化后的线性关系图、聚类后的 marker 热图，都在帮你判断「这一步有没有做歪」。

最终输出是一份「相册整理报告」，通常包含每个簇的细胞占比、代表性 marker 基因列表、降维图、关键诊断图，以及每个簇的注释结论。这些结果会直接交给下游分析，比如细胞类型差异、发育轨迹或疾病相关亚群分析。

把手册串成流水线，就相当于家里装了一台自动分拣机：照片进去，贴上分类标签的相册出来。但不管工具多方便，每一步选择的依据仍然来自你对生物问题的理解。

pc=ncNcells\displaystyle p_c = \frac{n_c}{N_{\text{cells}}}
簇 c 的细胞占全部细胞的比例，是所有报告中必备的基础统计量。
  1. 簇内细胞数nc 是第 c 个簇中被分配进来的细胞数量。
    nc\displaystyle n_c
  2. 总细胞数N 是经过质控后保留下来的全体细胞，作为百分比的基数。
    Ncells\displaystyle N_{\text{cells}}
  3. 比例计算两者相除即得占比，用于快速判断簇的规模与稀有程度。
    pc=ncNcells\displaystyle p_c = \frac{n_c}{N_{\text{cells}}}

8. 应用与挑战：从个人相册到全人类档案

把单个组织的细胞整理明白后，更大的目标是把所有器官的「细胞全家福」汇总成人体细胞图谱，让医生在诊断时能对照参考。更进一步，通过比较不同发育时间点的细胞状态，可以推断细胞分化轨迹——就像把宝宝从小到大的照片按时间排序，看出他是怎么一步步长成大人的。空间组学技术则能把细胞放回组织原位，让相册里的每张照片标注「拍摄地点」。

这些应用同时带来巨大挑战。单细胞数据稀疏且噪声大，基因丢失率高，弱表达基因常常测得 0；不同实验室之间的批次差异也难以完全消除；测序成本虽在下降，但超大样本仍然昂贵。在发表结论前，你总要问一句：这个差异是真实的生物学信号，还是技术噪声、批次效应和随机波动造成的错觉？

评估聚类与注释质量时，常用 AUC 作为量化指标。它衡量一个得分（例如 marker 基因的表达强度）能否把正负样本（目标细胞与其他细胞）正确区分开。

相册整理得越规范，医学决策就越可靠。从个人相册到全人类档案，scRNA-seq 打开的是一条通往单细胞分辨率精准医学的路。

AUC=1n+n−∑i∈+∑j∈−I(si>sj)\displaystyle \text{AUC} = \frac{1}{n_+ n_-} \sum_{i \in +} \sum_{j \in -} \mathbb{I}(s_i > s_j)
AUC 表示随机抽取一对正负样本，模型给出的得分把正样本排在负样本之前的概率，0.5 等于乱猜，1.0 等于完美区分。
  1. 正负样本配对n+ 与 n− 分别代表目标簇与其他细胞数量，枚举所有正负配对。
    n+n−\displaystyle n_+ n_-
  2. 得分比较对每个正样本 i 和负样本 j，比较得分 si 与 sj。
    si>sj\displaystyle s_i > s_j
  3. 指示函数满足不等式的配对计 1，否则计 0，最后求平均得到 AUC。
    I(si>sj)\displaystyle \mathbb{I}(s_i > s_j)

AI 应用场景

场景一：人体细胞图谱构建

阶段：数据处理与降维聚类、细胞类型注释

解决的问题：传统病理学只能通过形态粗略区分细胞，无法在组织内同时识别数十种细胞亚型。AI 结合 scRNA-seq 与降维聚类，可以把组织中的每种细胞自动归类并贴上分子标签，构建标准化的人体细胞图谱。

具体案例：在「人类细胞图谱」计划中，研究者对肺、肝、肠等多个器官的正常组织进行单细胞测序，经过质控、归一化、UMAP 可视化与 Leiden 聚类，再与参考数据库比对，最终标定出数十种细胞类型及其空间位置，为后续疾病对照提供基线。

场景二：肿瘤微环境异质性分析

阶段：聚类分群、稀有亚群识别、marker 注释

解决的问题：肿瘤内部并非铁板一块，耐药细胞往往只占少数。传统测序把整个肿瘤磨碎平均，会稀释稀有亚群的信号。单细胞聚类能像在相册里找出一个藏在角落的小团体一样，把低占比但决定预后的耐药亚群单独挑出来。

具体案例：在乳腺癌样本中，研究者对肿瘤组织进行 scRNA-seq，聚类后发现一个表达特定耐药基因的稀有细胞簇，进一步分析其 marker 通路，为靶向联合用药方案提供了新线索。

场景三：发育与分化轨迹推断

阶段：时间序列聚类、细胞状态排序

解决的问题：发育过程中存在大量难以捕获的中间态细胞，传统方法只能看到起点和终点，看不到过渡路径。单细胞数据相当于拍下了不同时间点的细胞自拍，聚类后按表达连续性排序，就能还原分化轨迹。

具体案例：在研究造血干细胞分化时，对骨髓中不同阶段细胞进行聚类与轨迹推断，识别出从干细胞到各血系祖细胞的连续过渡状态，锁定新的调控开关基因。

Python 演示

python54 行
import numpy as npfrom sklearn.decomposition import PCAfrom sklearn.cluster import KMeans  class SimplifiedScRNASeq:    def __init__(self, n_cells=120, n_genes=60, seed=42):        rng = np.random.RandomState(seed)        self.counts = rng.poisson(lam=2.0, size=(n_cells, n_genes)).astype(float)        for i in range(n_cells // 3):            self.counts[i, 0:10] += rng.poisson(lam=8.0, size=10)        for i in range(n_cells // 3, 2 * n_cells // 3):            self.counts[i, 10:20] += rng.poisson(lam=8.0, size=10)        for i in range(2 * n_cells // 3, n_cells):            self.counts[i, 20:30] += rng.poisson(lam=8.0, size=10)        self.matrix = None        self.pcs = None        self.labels = None     def filter_cells(self, min_genes=5):        keep = (self.counts > 0).sum(axis=1) >= min_genes        self.counts = self.counts[keep]     def normalize(self, target=1e4):        depth = self.counts.sum(axis=1, keepdims=True)        depth[depth == 0] = 1.0        self.matrix = np.log1p(self.counts / depth * target)     def pca_reduce(self, n_components=10):        pca = PCA(n_components=n_components)        self.pcs = pca.fit_transform(self.matrix)     def cluster(self, n_clusters=3):        km = KMeans(n_clusters=n_clusters, random_state=0, n_init=10)        self.labels = km.fit_predict(self.pcs)     def report(self):        for c in range(3):            mask = self.labels == c            mean_expr = self.matrix[mask].mean(axis=0)            top = np.argsort(mean_expr)[-3:]            print("cluster %d: %d cells, top genes %s" % (c, int(mask.sum()), top.tolist()))     def run_pipeline(self):        self.filter_cells()        self.normalize()        self.pca_reduce()        self.cluster()        self.report()  if __name__ == "__main__":    demo = SimplifiedScRNASeq()    demo.run_pipeline()
目的：用 120 个模拟细胞跑通「质控 → 归一化 → PCA 降维 → KMeans 聚类 → marker 基因报告」的简化单细胞分析流程，直观理解每一步在做什么。
  1. self.counts = rng.poisson(lam=2.0, size=(n_cells, n_genes)).astype(float)模拟测序仪输出的原始 UMI 计数矩阵：行是细胞，列是基因。
  2. (self.counts > 0).sum(axis=1) >= min_genes统计每个细胞至少检出几个基因，不达标的当「废照片」过滤掉。
  3. depth = self.counts.sum(axis=1, keepdims=True)求每个细胞的总表达量，相当于算出每张照片的曝光总量。
  4. np.log1p(self.counts / depth * target)先用总深度缩放，再取对数，等价于把每张照片统一到同一曝光标准。
  5. pca = PCA(n_components=n_components)在主成分空间里提取最重要的差异方向，把高维特征压成少量主成分。
  6. km = KMeans(n_clusters=n_clusters, random_state=0, n_init=10)在低维主成分坐标上把细胞分成若干堆，完成无监督聚类。
  7. mask = self.labels == c按聚类结果取出某堆细胞的索引，准备分析它的表达特征。
  8. mean_expr = self.matrix[mask].mean(axis=0)计算该簇每个基因的平均表达量，找排名靠前的作为候选 marker。

常见误区

误区很多初学者拿到表达矩阵后，第一件事就是归一化、跑 PCA、画 UMAP，觉得质控只是「可选的前处理」，被前面的教程演示数据骗了。

正解质控是整座分析大楼的地基。如果把低质量细胞、双细胞和破损细胞混进去，归一化会把它们的噪声放大，聚类时就会出现一堆既不属于任何真实类型、又解释不了的中间簇。这就像把糊掉、重影的照片强行统一曝光后放进相册，整本相册都会失去可信度。正确做法是先看总 UMI、检出基因数和线粒体比例的分布，设定合理阈值后再进入下游。

为何常见：公开数据集通常已经过清洗，演示代码直接跳过了质控步骤，让人误以为质控只是锦上添花。

误区看到 UMAP 图上两个点隔得很远，就断言「它们差别很大」；看到两个点挨得很近，就觉得「它们一定同属一种细胞」。

正解UMAP 为了在二维平面展示，会刻意拉近局部邻居、压缩甚至扭曲全局空间关系，坐标轴没有任何生物学单位。换一组随机种子或调一下 min_dist，点的相对位置就会变化。要判断细胞间差异，应该回到 PCA 空间或直接做差异表达分析，而不是盯着可视化图上的远近下结论。就像客厅地板上的人为摆位，不能反映两个人真实关系的亲疏。

为何常见：UMAP 图颜色鲜艳、形状直观，是论文里最显眼的图，视觉冲击力让人下意识把「距离」当真。

误区把分辨率一直往上调，直到得到几十个簇，觉得「我又发现了许多新的细胞类型」，兴奋地准备写论文。

正解过度细分只是在把同一个家庭按拍照姿势拆成好几堆。分辨率越高，越容易制造出没有稳定 marker 基因支撑的假阳性亚群。正确做法是结合聚类稳定性、差异表达检验和已知 marker 基因判断每个簇是否值得保留，宁可少分几簇，也不要编造不存在的细胞类型。

为何常见：高分辨率总能输出更精细的图，给人一种「分析很深入」的错觉，掩盖了结果缺乏生物学依据的问题。

误区差异表达结果出来后，专挑 P 值最小的基因当 marker，认为 P 值越小越可靠。

正解P 值受样本量和表达量影响，细胞数量多时微小的表达差异也会显著；一个基因 P 值极小，不代表它在目标簇里真的高表达，更不代表它有特异性。真正的 marker 要同时满足：平均表达量明显高于其他簇、非零细胞比例高、在其他簇中几乎沉默，并有文献或数据库支持。可以理解为考试分数高不代表他真的适合这份工作，还得看技能是否匹配。

为何常见：统计软件默认优先展示 P 值，初学者容易被这个数字牵着走。

误区认为归一化之后所有样本都可比，把两个不同时间、不同试剂批次跑出来的数据直接合并成一张矩阵做聚类。

正解归一化只消除测序深度差异，不能消除批次效应。不同批次间的试剂、仪器、操作者差异会形成系统性偏移，直接合并会产生以批次为边界的假簇，与生物学无关。要用批次整合算法把不同批次对齐到同一基准，或把批次信息作为协变量建模后再聚类。就像两台色温不同的相机拍同一家人，不调色就放进同一本相册，你会误以为每个人的肤色都变了。

为何常见：模块名字叫「normalize」，让人误以为归一化已经处理了所有技术差异，实际上批次校正是独立且必不可少的一步。

面试题

Q1. 在 scRNA-seq 中，UMI 的主要作用是什么？

单选题 · easy

  • A.降低测序成本
  • B.标记同源转录本← 正确答案
  • C.延长基因片段
  • D.替换细胞条码

答案：B。UMI 是每个转录本分子的唯一编号，测序时通过统计不同编号来消除 PCR 扩增造成的重复计数偏差。它不降低成本、不延长片段，也不能替代区分细胞来源的细胞条形码，所以选 B。

Q2. 某个细胞线粒体基因比例显著升高，通常提示什么？

单选题 · easy

  • A.细胞正在分裂旺盛
  • B.细胞膜破损濒临死亡← 正确答案
  • C.测序深度明显偏低
  • D.文库出现交叉污染

答案：B。正常活细胞的 mRNA 大多来自细胞核，细胞膜破损后细胞质 mRNA 流失，线粒体转录本占比被动升高，因此高线粒体比例是低质量细胞的标志，应过滤。

Q3. 单细胞数据归一化的核心目的是什么？

单选题 · easy

  • A.消除批次标签
  • B.平衡测序深度差异← 正确答案
  • C.增加基因检出数
  • D.滤除双细胞污染

答案：B。不同细胞测到的总转录本数差异很大，归一化把表达量换算到统一尺度，使细胞间可比。批次校正是后续独立步骤，归一化不会消除标签，也不负责增加基因或过滤双细胞。

Q4. PCA 中第一主成分的本质是什么？

单选题 · mid

  • A.方差最大的方向← 正确答案
  • B.均值所在的位置
  • C.细胞数量最多的簇
  • D.基因表达最高的轴

答案：A。第一主成分是数据投影后方差最大、也就是信息损失最小的方向，不是均值、簇大小或基因表达高低。它从协方差矩阵的特征向量中求得，是降维的起点。

Q5. 相比 t-SNE，UMAP 的主要优势是什么？

单选题 · mid

  • A.不需要表达归一化
  • B.能更好地保留全局结构← 正确答案
  • C.可以处理任意缺失值
  • D.输出结果永远相同

答案：B。UMAP 在保持局部邻居的同时保留更多全局拓扑信息，且速度更快，因此成为主流可视化工具。它仍需要归一化输入，不能处理任意缺失值，结果也会因随机种子变化。

Q6. scRNA-seq 聚类最常用的社区发现算法是哪类？

单选题 · mid

  • A.随机森林法
  • B.Louvain 算法← 正确答案
  • C.K 近邻法
  • D.谱聚类法

答案：B。scRNA-seq 通常先构建 K 近邻图，再用 Louvain 或 Leiden 做社区发现。随机森林是监督学习，K 近邻本身不是聚类法，谱聚类虽有应用但并非主流社区发现算法。

Q7. 识别 marker 基因时，下列哪些思路是合理的？

多选题 · mid

  • A.看簇间差异表达← 正确答案
  • B.只看最大均值表达
  • C.检查特异高表达占比← 正确答案
  • D.比较非零细胞比例← 正确答案

答案：ACD。marker 基因需在目标簇中显著高表达并在其他簇中低表达，因此要看簇间差异、特异高表达占比和非零细胞比例。只看全局最大均值会选到普遍高表达但无特异性的基因，不可取。

Q8. 下列哪些因素可能引入批次效应？

多选题 · hard

  • A.不同建库时间批次← 正确答案
  • B.试剂批次更换差异← 正确答案
  • C.测序仪器型号不同← 正确答案
  • D.细胞发育阶段差异

答案：ABC。批次效应来自技术因素：建库时间、试剂批次和仪器型号都会造成系统性偏差。细胞发育阶段差异是真实的生物学信号，不是批次效应，需要保留而不是校正掉。

Q9. 调整 Leiden 聚类的分辨率参数，主要影响什么？

单选题 · hard

  • A.簇的数目和颗粒度← 正确答案
  • B.基因的排序和长度
  • C.归一化的缩放强度
  • D.测序深度的中位数

答案：A。分辨率控制社区发现的敏感度：越大，网络被切分得越细，簇数越多。它不改变基因顺序、归一化方式或测序深度统计指标。

Q10. 为什么 UMAP 坐标不能直接解读为细胞间的真实转录距离？

多选题 · extreme

  • A.布局强调局部邻居← 正确答案
  • B.坐标受全局拓扑影响← 正确答案
  • C.高维信息被显著压缩← 正确答案
  • D.基因数越多距离越准

答案：ABC。UMAP 的布局通过交叉熵同时优化局部与全局结构，但为了二维展示必须压缩高维信息，坐标没有绝对意义，也不随基因数增多而变准。判断差异应回到 PCA 空间或差异表达检验。