Skip to content

基因體學 › 定序技術 › 單細胞 RNA-seq

單細胞 RNA-seq (Single-Cell RNA-seq) ​

bulk RNA-seq 量的是一群細胞的平均表現;單細胞 RNA-seq (scRNA-seq) 為每個細胞各給一組表現量,能分辨細胞類型、稀有族群與連續的分化狀態。代價是資料極度稀疏(大部分基因在大部分細胞是 0)、技術雜訊大。

平台 ​

方式例細胞數特點
液滴 (droplet)10x Genomics Chromium數千–數萬 / 樣本主流;3′ 或 5′ 端計數;每個細胞有 barcode、每個分子有 UMI
孔盤 (plate)Smart-seq2 / 3數百全長轉錄本,可看 isoform 與 SNV;細胞數少
組合索引 (split-pool)Parse、sci-RNA-seq數萬–百萬不需特殊儀器,可固定後保存
單核 (snRNA-seq)同上,改用細胞核—冷凍組織、難解離組織(腦、心臟);偏 intron reads
空間轉錄體Visium、Xenium、MERFISH—保留組織位置

分析流程 ​

text
FASTQ ──Cell Ranger / STARsolo / alevin-fry──► 細胞 × 基因 count matrix(稀疏)
  ──► QC:每細胞基因數、UMI 數、粒線體比例、doublet 偵測
  ──► 正規化(log-normalize / SCTransform)──► 高變異基因
  ──► PCA ──► 批次整合(Harmony、scVI)──► 鄰近圖 ──► 分群(Leiden)──► UMAP 視覺化
  ──► 細胞類型註解(marker 基因、參考圖譜)
  ──► 差異表現(pseudobulk)、軌跡、細胞間通訊
步驟常用閾值 / 工具注意
細胞 QC基因數 200–6,000、粒線體 reads < 10–20%(依組織)粒線體比例高 = 細胞破損;閾值依組織調整(心肌本來就高)
DoubletscDblFinder、Scrublet兩個細胞被包在同一液滴,會像「中間型」細胞
環境 RNASoupX、CellBender破裂細胞釋出的 RNA 污染所有液滴
批次整合Harmony、scVI、Seurat integration過度整合會抹掉真實的生物差異
分群Leiden / Louvain(resolution 參數)群數受參數影響,不等於「真的有幾種細胞」
註解已知 marker、CellTypist、Azimuth、SingleR先粗分(T / B / 髓系),再細分
差異表現pseudobulk(同一樣本同一細胞類型加總後用 DESeq2 / edgeR)直接把細胞當獨立樣本做檢定是假重複,p 值嚴重高估

UMAP 只用來視覺化:群與群的距離、群的大小都不代表真實的生物距離或比例。

工具生態 ​

PythonR
資料物件AnnData(見 AnnData 與 scanpy)Seurat 物件、SingleCellExperiment(見 Bioconductor)
主要套件scanpy、scvi-tools、squidpy(空間)Seurat、scran / scater、Monocle
深度學習scVI、scGPT 等基礎模型(見 單細胞深度學習)—

筆記 ​

筆記內容
軌跡分析pseudotime、分支、RNA velocity

統計觀念:假重複與生物重複、PCA、分群、多重檢定。bulk RNA-seq 見 RNA-seq 分析。