本文关键词：GEO一样本单细胞基因表达量

昨晚熬到三点半，盯着屏幕上的UMAP图发呆，突然觉得单细胞测序这东西，真是“看着美，干着累”。

起因是我在GEO里扒拉了一个比较老的小鼠脑区数据集（GSE113215，虽然挺经典但预处理参差不齐）。我原本想做个简单的GEO一样本单细胞基因表达量对比，看看不同发育阶段的神经元差异。结果一跑下来，背景噪声大得离谱，细胞好像散成了一锅粥。

这就得聊聊我在处理这类数据时踩过的几个大坑。很多新手朋友拿到GEO的矩阵文件，直接开降维，这是不对的。GEO上很多作者上传的是经过简单过滤后的counts，但有些是log normalized后的值，甚至有的还带了UMAP坐标（千万别直接用那个坐标，维度太低全是信息损失）。

我这次就是栽在这上面。我直接用了上传的normalized matrix，没检查原始UMI计数范围，导致后期做差异基因分析时，很多低表达基因根本没被检测到。后来我去翻了原文的Supplementary Info，发现作者只保留了高置信度的细胞，而且他们的质控标准比我严得多。

重新回到Raw Counts，重新做QC。

过滤掉高线粒体基因（>20%）和低检出基因数的细胞。这一步很关键，尤其是对于GEO一样本单细胞基因表达量分析来说，数据源差异太大，质控必须严格。我大概扔掉了15%左右的细胞，心里肉疼但没办法，质量第一嘛。

接下来是去批次效应。虽然这次只有一个样本，但为了后续可能与其他样本合并，我还是跑了Harmony。效果确实好了一些，原本纠缠在一起的几个星形胶质细胞簇分开了一些。但是！我要强调一点，别迷信自动化注释工具。CellTypist或者scVI跑出来的注释，看着挺专业，但你得自己去查marker基因。比如我有个簇被标成了“Oligodendrocyte Precursor”，但我看了一下Caspase4和Gpx2的表达，怎么越看越像小胶质细胞？最后我手动改了注释，果然，那确实是应激状态下的Glia。

这里有个小案例：我同事上周处理人的肺部数据，直接用了默认的聚类分辨率。结果把两种不同的T细胞亚群混在一起了，因为他们表面的激活标志物（如Cd69, Ctla4）在低分辨率下没分开。最后只能手动把分辨率调到1.5或者更高，配合leiden聚类，才把它们拆开。

还有那个让我头疼的Doublet。很多教程说用DoubletFinder，但那个参数调参简直让人头秃。我后来直接用了scDblFinder的默认值，再配合检查高基因表达量（通常doublet会表达更多基因）和双阳性细胞比例，手动筛掉了一批。虽然不完美，但比全自动可靠。

最后说说可视化。很多人喜欢堆砌颜色，把每个细胞类型画得五颜六色，看着像万花筒。其实，如果你要讲GEO一样本单细胞基因表达量的故事，不如画几个关键marker的空间分布图，或者做个Feature Plot对比不同条件下某个通路（比如炎症通路）的平均表达量。这样更有说服力。

对了，别忘了检查你的细胞类型比例是否符合生物学预期。如果一个样本里神经元占了90%，而你研究的是胶质瘤，那大概率是数据有问题，或者肿瘤细胞被当成“杂细胞”滤掉了。我当时就遇到了这种情况，原本以为滤掉的“low quality”细胞，仔细看其实是一些低表达但典型的肿瘤细胞。幸好我留了备份，重新调整过滤阈值后，那些细胞又回来了。

数据这东西，真的是三分靠跑，七分靠懂。GEO一样本单细胞基因表达量挖掘不是个技术活，更是个侦探活。你得了解你的生物学背景，知道什么信号该留，什么噪声该扔。

别总想着一步到位搞个大新闻，先把每一步的逻辑理清楚。哪怕最后发现没有显著差异，那也是排除了一个假设，对吧？

希望各位小伙伴在GEO的坑里少摔几跤。毕竟，头发就那么多，经不起这么造。

（注：文中提到的具体数值如15%、>20%等为经验值，具体阈值建议根据实验体系微调，参考文献建议结合Seurat官方指南及近期高分文章如Cell中关于scRNA-seq标准方法的论述）