做生物信息的朋友，谁还没被单细胞数据的“噪音”折磨过？以前搞bulk测序，差异分析也就是跑个DESeq2，P<0.05就行。现在玩单细胞，如果你还拿着那一套标准去geo分析单细胞测序差异基因，那基本就是在给自己挖坑。

上周帮一个临床医生客户看数据，他的肿瘤样本，聚类很完美，t-SNE图画得跟孔雀开屏似的。结果拿去做差异基因，一堆基因标红标绿，看着特别高大上。我让他去复核几个关键Marker，结果发现很多“显著差异”的基因，其实只是因为在某个簇里细胞数量太少，方差太大导致的假阳性。最后那个客户郁闷得三天没吃饭，说这数据发出去怕被审稿人喷死。

咱们今天就不整那些虚头巴脑的理论，直接上干货，聊聊怎么在海量数据里揪出真的差异基因。

第一，别迷信P值，要看FC（Fold Change）。在单细胞里，由于技术噪音（比如dropout效应），很多基因的表达量波动极大。我有个案例，一个免疫细胞簇里，某个干扰素基因P值低得可怜，但FC只有1.1倍。这种细微的差别，生物学意义真的那么大吗？未必。建议把阈值设得宽松点，比如Padj < 0.05 且 log2FC > 0.25 或者更高，具体看你样本的生物学背景。如果是做关键通路研究，FC至少要在1.5倍以上才稳妥。

第二，细胞纯度是王道。很多新手拿着raw count直接做分析，这是大忌。我在给一个高校课题组做咨询时发现，他们用的数据里混杂了少量红细胞和血小板，这部分垃圾数据如果不剔除，会严重干扰T细胞亚群的差异分析。记得用Scrublet或者DoubletFinder去双人检测，还有线粒体基因占比超过20%的细胞直接扔掉。只有把“杂质”过滤干净，后续的差异分析才靠谱。这一步做不好，后面花再多时间去geo分析单细胞测序差异基因都是白费力气。

第三，生物学重复不能少。这是最容易被忽略的。有些单细胞实验只做了一个样本分群，就想找差异。这种想法太天真了。个体差异远大于技术差异。如果你只有两个样本，其中一个样本里某类细胞多，那它和另一个样本的差异可能只是“运气好”，而不是“生物学特性”。正规的流程至少需要3个生物学独立重复，并且使用Mast或MAST-like模型来校正测序深度和批次效应。

再说个真实数据。我们处理过一批阿尔茨海默病的小鼠脑数据，常规方法筛出来几百个差异基因，但经过严格校正批次效应和细胞比例偏差后，真正稳健的差异基因只剩下20多个。但这20多个基因，直接指向了小胶质细胞的特定激活状态，这在之前的研究里根本没被重视。这就是深度分析的力量。

最后，可视化很重要。不要用那种密密麻麻的火山图糊弄自己。用VlnPlot看表达分布，用FeaturePlot看空间定位，用DotPlot看不同细胞类型的特异性。比如，当你发现一个新Marker，一定要看看它是不是只在你的目标细胞里高表达，在其他细胞里也有低水平的背景噪音。如果有背景噪音，那它可能不是特异性的，剔除它。

总之，做单细胞差异分析，心态要稳，手法要细。别急着发图，多问自己几个为什么：这个基因真的重要吗？这个差异是生物学原因还是技术噪音？只有经得起推敲的结果，才是好结果。希望大家在处理geo分析单细胞测序差异基因时，都能少掉几根头发，多出几篇高分文章。