单细胞组学
单细胞组学（英文：Single-cell omics）是一系列能够在单个细胞分辨率上对基因组、转录组、表观基因组、蛋白质组等进行高通量测序或测量的技术、方法学和数据分析领域的统称。它代表了生物学研究范式的重大转变，从传统基于群体平均的测量转向解析细胞异质性，从而揭示细胞类型、状态、谱系关系和功能机制的精细图谱。
核心概念与驱动力
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
| 技术名称 | 测量对象 | 核心信息 | 主要应用 |
|---|---|---|---|
| 单细胞RNA测序 | 转录组 | 单个细胞中所有基因（mRNA/ncRNA）的表达水平 | 细胞类型鉴定、发育轨迹、疾病状态解析 |
| 单细胞ATAC测序 | 表观基因组（染色质开放性） | 单个细胞中染色质的可及性区域，推断调控状态 | 鉴定细胞类型特异的调控元件、转录因子活性 |
| 单细胞DNA测序 | 基因组 | 单个细胞的基因组序列、拷贝数变异、点突变 | 肿瘤进化、生殖系/体细胞突变、基因组稳定性 |
| 单细胞蛋白质组（如CITE-seq, REAP-seq） | 蛋白质组（表面/胞内蛋白） | 单个细胞中数十至上百种蛋白质的丰度 | 直接测量关键功能蛋白，与转录组数据整合 |
| 空间转录组学 | 转录组 + 空间位置 | 保留组织原位空间坐标的基因表达信息 | 解析细胞的空间组织、微环境相互作用 |
关键技术：单细胞RNA测序
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：
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。
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。
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。
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。
主要应用领域
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）。
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。
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。
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。
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。
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。
挑战与前沿
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。
参考文献
Tang, F., et al. (2009). mRNA-Seq whole-transcriptome analysis of a single cell. Nature Methods, 6(5), 377-382. （单细胞RNA测序的开创性方法论文）
Macosko, E. Z., et al. (2015). Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets. Cell, 161(5), 1202-1214. （介绍了基于液滴的高通量单细胞RNA测序技术，推动了领域规模化）
Stuart, T., et al. (2019). Comprehensive Integration of Single-Cell Data. Cell, 177(7), 1888-1902.e21. （提出了单细胞数据整合的经典方法Seurat v3，涵盖了标准分析流程）
Regev, A., et al. (2017). The Human Cell Atlas. eLife, 6, e27041. （阐述了人类细胞图谱计划的愿景与科学目标）
Buenrostro, J. D., et al. (2015). Single-cell chromatin accessibility reveals principles of regulatory variation. Nature, 523(7561), 486-490. （介绍了单细胞ATAC测序技术，开启了单细胞表观组学研究）
附件列表
词条内容仅供参考，如果您需要解决具体问题
（尤其在法律、医学等领域），建议您咨询相关领域专业人士。