你在单细胞数据里看到的差异基因,可能来自隔壁细胞

导语
一份肿瘤组织消化成悬液,上机、比对、聚类,UMAP 图漂亮,marker 干净,然后你在“肿瘤上皮细胞”那一群里看到一整片免疫基因,在“T 细胞”里看到角蛋白。第一反应通常是发现了某种状态转换或罕见的混合表型。但在这两件事被写进课题之前,有两个更朴素的解释需要先被排除:这些转录本可能根本不属于这个细胞——它们是别人裂解后洒进缓冲液里的,或者是两个细胞被同一个液滴装了进去。

一、第一个假信号:环境 RNA 是一锅“公共汤”

液滴法单细胞测序在把细胞包进油包水微滴之前,必须先裂解细胞。裂解不挑对象,一部分 mRNA 会游离到缓冲液里,形成所谓的“汤”(soup)。之后每个液滴在吸入一个细胞的同时,也舀走了一勺汤。这就是环境 RNA(ambient RNA)污染。

通俗地说,每个细胞的转录组里都掺了一点“全样本平均值”。

它的行为很规律:高表达基因渗漏得最多,因此污染的方向几乎总是从高丰度细胞类型流向低丰度类型。实体瘤里 EPCAM 会渗进免疫细胞,浆细胞样本里 IGKC 会渗进一切,肝组织里 ALB 会渗进所有细胞。而一个真正特异但表达量不高的基因,会被这层背景稀释到看不出来。

后果是系统性的:差异表达向高丰度基因偏斜;轨迹分析被拉成一条连续谱,因为每个细胞都被“平均化”了一点;本来清晰的细胞边界变得模糊,制造出看起来合理的过渡态。最麻烦的是,这一切看起来都很自然。

修的办法是估计并扣除污染。SoupX 利用空液滴估算每个基因的污染比例,再按细胞类型反卷积扣除;CellBender 用深度生成模型从原始计数中直接学习背景分布;DecontX 则把污染建模进聚类过程。共同前提是:你必须提供空液滴或至少非细胞液滴的计数——很多项目在上游就把这些“无用”的 barcode 删掉了,等于把校正的依据一起删了。

这在流程管理上是个典型陷阱。空液滴恰恰是估计污染率的唯一依据,它告诉你这锅汤有多浓。删掉它,校正工具只能退而用聚类结果反推,误差自然更大。所以规范的交付应该保留原始 barcode 矩阵,而不是只给一张过滤后的表。

二、第二个假信号:双细胞让一个液滴变成两个人

双细胞(doublet)是物理层面的问题:两个细胞被同一个液滴包住,转录组直接相加。它造出的是“既 A 又 B”的假双阳性细胞。

检测工具的思路上有分歧。Scrublet 与 DoubletFinder 都基于模拟:把现有细胞的表达谱人工相加生成“假双细胞”,再在 PCA 空间里看真实细胞中有多少落在模拟双细胞的邻域。scDblFinder 在此之上引入分群信息,对同类型双细胞的检出更敏感一些。物理层面的解法是样本多重标记(hashing),给每个样本一个标签,同一样本内部的双细胞才能被直接识别。

有一个反直觉的事实值得记住:同类双细胞(T 加 T)在转录组上几乎与单细胞无异,任何算法都很难发现。所以“doublet 率算出来只有 3%”不等于没问题——它只说明异型双细胞不多。

三、为什么这两个误差不会互相抵消

很多人默认两种噪声一叠加就平均掉了。恰恰相反。

污染让细胞“变得更像邻居”,方向是全局的、渐变的;双细胞让细胞“变成两个不同细胞的和”,方向是离散的、成簇的。前者把梯度压平,后者凭空造出簇。两者叠加的结果,是在原本连续或清晰的图谱上,长出几个既像过渡态又像新亚群的小簇。

而在注释环节,这类小簇最容易被赋予一个生物学名字:“耗竭前体”“混合上皮—免疫表型”“罕见双阳性亚群”。一旦命名完成,后续所有分析——差异表达、通路富集、细胞通讯、拟时序——都会在这个错误前提上继续往前走,而且每一步都会产出看起来自洽的结果。

更隐蔽的是“污染掩盖污染”:当两类细胞比例悬殊到几十比一时,少数群体的特征基因会被多数群体的背景整体抬升,看起来像是“少数群体也表达了某个标志物”,实际上它们只是泡在同一锅汤里。此时做差异表达,得到的是一张被背景重塑过的表。

四、可执行的检查清单

  • 每个样本报三个数字,而不只是一个细胞数:空液滴比例、估计的环境 RNA 污染率、双细胞率。
  • 关键结论跑两套:扣除污染、去除双细胞前后各做一遍,看结论是否稳定。只在干净数据里成立的发现,通常不成立。
  • 用已知不共表达的基因对做阴性对照。PTPRC 与 EPCAM、CD3E 与 COL1A1,如果它们在同一个细胞里稳定共现,先怀疑技术而不是生物学。
  • 检查 doublet 簇的表达谱是否近似两类细胞按比例相加——把两群的平均表达按 1:1 相加,与嫌疑簇做相关性,通常一眼就能看出来。
  • 有空间数据就做交叉验证:一个“共表达”细胞如果在空间上总是紧邻两类不同细胞,优先怀疑分割边界与污染,而不是细胞状态。

五、这对下游结论意味着什么

单细胞的第一道质控不在聚类参数里,而在液滴形成的那一刻;聚类只能把误差整理得更整齐,不能把它变回真实。

差异表达层面,污染会系统性抬高高丰度基因,让低丰度信号通路“消失”,于是你会得出“某通路在该亚群中下调”的结论,而真相是它被背景淹没了。细胞通讯层面,一个假双阳性细胞会同时表达配体与受体,凭空造出一对互作。临床转化层面代价最大:如果某个“新亚群”是技术产物,基于它开发的标志物、分选方案乃至靶点,从第一步就错了。

一个务实的判断标准是:任何准备写进文章或立项的“新亚群”,都必须回答三个问题——它在去除污染后还在吗?它在去除双细胞后还在吗?它在第二种技术平台(流式、空间、免疫组化)上能被独立看到吗?三个都是“是”,才值得投入下一步。

从成本上看,这两步校正都很便宜:内存与时间开销远低于重新建库,也不需要额外试剂。真正贵的是“发现是假的”之后再回头——一个建立在假亚群上的课题,往往要花几个月才能证伪。

参考资料

  1. Young MD, Behjati S. SoupX removes ambient RNA contamination from droplet-based single-cell RNA sequencing data. GigaScience, 2020;9(12):giaa151 https://pubmed.ncbi.nlm.nih.gov/?term=SoupX+ambient+RNA+contamination
  2. Fleming SJ, et al. Unsupervised removal of systematic background noise from droplet-based single-cell experiments using CellBender. Nature Methods, 2023;20:1323–1335 https://pubmed.ncbi.nlm.nih.gov/?term=CellBender+systematic+background+noise+single-cell
  3. Yang S, et al. Decontamination of ambient RNA in single-cell RNA-seq with DecontX. Genome Biology, 2020;21:57 https://pubmed.ncbi.nlm.nih.gov/?term=DecontX+ambient+RNA+single-cell
  4. Wolock SL, Lopez R, Klein AM. Scrublet: computational identification of cell doublets in single-cell transcriptomic data. Cell Systems, 2019;8:281–291 https://pubmed.ncbi.nlm.nih.gov/?term=Scrublet+cell+doublets+single-cell
  5. McGinnis CS, Murrow LM, Gartner ZJ. DoubletFinder: doublet detection in single-cell RNA sequencing data using artificial nearest neighbors. Cell Systems, 2019;8:329–337 https://pubmed.ncbi.nlm.nih.gov/?term=DoubletFinder+artificial+nearest+neighbors

特别声明

1、本页面内容包含部分的内容是基于公开信息的合理引用;引用内容仅为补充信息,不代表本站立场。

2、若认为本页面引用内容涉及侵权,请及时与本站联系,我们将第一时间处理。

3、其他媒体/个人如需使用本页面原创内容,需注明“来源:[生知库]”并获得授权;使用引用内容的,需自行联系原作者获得许可。

4、投稿及合作请联系:info@biocloudy.com。