单细胞组学

细胞异质性（英文：Cellular heterogeneity）：即使是同一组织的细胞，在基因表达、表观遗传状态和功能上也存在显著差异。这种异质性在发育、免疫、癌症和神经生物学中至关重要。单细胞组学技术是研究这种异质性的直接工具。

• 技术突破：微流控、液滴技术、组合索引和超高通量测序的发展，使得低成本、大规模并行分析数千至数百万个单个细胞成为可能。
• 互补性：不同层面的单细胞组学技术（如scRNA-seq, scATAC-seq）可相互补充，提供更全面的细胞视图。

表1：主要单细胞组学技术类型 ADFASDFAF23RQ23R

作为目前最成熟和应用最广的单细胞组学技术，其标准流程包括： ADSFAEQWER353423413434

1. 单细胞分离与包裹：通过液滴微流控（如10x Genomics）、孔板、微流控芯片或组合索引将单个细胞分离到独立反应体系中。
2. 细胞裂解与逆转录：在每个反应单元内裂解细胞，将mRNA逆转录为带有细胞条形码（英文：Cell barcode）和分子条形码（英文：Unique Molecular Identifier， UMI）的cDNA。UMI用于校正PCR扩增偏差。
3. 文库构建与测序：将来自所有细胞的cDNA混合，进行高通量测序。
4. 数据分析：
   • 数据预处理：根据条形码将测序读数拆分到单个细胞，进行质控、比对和表达定量（生成细胞×基因表达矩阵）。
   • 质量控制与过滤：去除低质量细胞（高线粒体基因比例、低检测基因数）和双联体。
   • 标准化与批次校正：校正测序深度差异，使用如Harmony、BBKNN等方法整合不同批次的实验数据。
   • 降维与聚类：使用主成分分析（英文：PCA）降维，再通过t-分布随机邻域嵌入（英文：t-SNE）或均匀流形近似与投影（英文：UMAP）可视化，并基于图聚类方法（如Louvain、Leiden）识别细胞亚群。
   • 细胞类型注释：利用已知的标记基因、与参考数据集比对或自动注释工具，为每个细胞簇赋予生物学身份（如T细胞、神经元、肿瘤细胞）。
   • 轨迹推断（英文：Trajectory inference）：使用Monocle、PAGA等算法，重建细胞沿着动态过程（如分化、激活、细胞周期）的伪时间轨迹。
   • 差异表达与功能分析：比较不同细胞簇或状态间的基因表达，进行功能富集分析。

1. 绘制细胞图谱：构建人类、小鼠等模式生物以及各种器官在健康和疾病状态下的高分辨率细胞参考图谱（如人类细胞图谱计划）。
2. 发育生物学：解析胚胎发育、器官形成中的细胞命运决定和谱系关系。
3. 肿瘤微环境：揭示肿瘤内细胞的异质性、免疫细胞浸润状态、癌细胞克隆进化及耐药机制。
4. 免疫学：精细划分免疫细胞亚型，研究免疫应答、免疫记忆和自身免疫疾病。
5. 神经科学：解析大脑中复杂多样的神经元和胶质细胞类型，绘制神经连接和功能图谱。
6. 微生物学：研究微生物群落中不同个体的基因表达和功能差异。

• 技术噪音：单细胞数据稀疏性高、技术噪音大（如基因检出率低、扩增偏差）。
• 数据分析复杂性：分析流程多样，尚无完全统一的标准，对计算资源和生物信息学技能要求高。
• 多组学整合：如何将来自同一细胞的转录组、表观组、蛋白质组数据有效整合，以获得统一视图。
• 时空动态整合：将单细胞数据与空间位置信息和时间序列数据结合，重建生命过程的四维动态。
• 计算工具开发：针对海量单细胞数据（百万级细胞）开发高效、可扩展的算法和数据库。

• Tang, F., et al. (2009). mRNA-Seq whole-transcriptome analysis of a single cell. Nature Methods, 6(5), 377-382.
• Macosko, E. Z., et al. (2015). Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets. Cell, 161(5), 1202-1214.
• Stuart, T., et al. (2019). Comprehensive Integration of Single-Cell Data. Cell, 177(7), 1888-1902.e21.
• Regev, A., et al. (2017). The Human Cell Atlas. eLife, 6, e27041.
• Buenrostro, J. D., et al. (2015). Single-cell chromatin accessibility reveals principles of regulatory variation. Nature, 523(7561), 486-490.
• Klein, A. M., et al. (2015). Droplet barcoding for single-cell transcriptomics applied to embryonic stem cells. Cell, 161(5), 1187-1201.
• Cao, J., et al. (2017). Comprehensive single-cell transcriptional profiling of a multicellular organism. Science, 357(6352), 661-667.
• Luecken, M. D., & Theis, F. J. (2019). Current best practices in single-cell RNA-seq analysis: a tutorial. Molecular Systems Biology, 15(6), e8746.
• Ding, J., et al. (2020). Systematic comparison of single-cell and single-nucleus RNA-sequencing methods. Nature Biotechnology, 38(6), 737-746.
• Chen, H., et al. (2019). Single-cell spatial transcriptomics: advances and opportunities. Journal of Genetics and Genomics, 46(11), 531-540.