单细胞组学分析：降维、聚类与轨迹推断

FreeGuideOnline 最新 2026-06-26

单细胞组学分析：降维、聚类与轨迹推断

引言：从细胞群体到单细胞视角

传统测序技术测量的是组织样本中成千上万个细胞的平均信号，掩盖了细胞间的异质性。单细胞组学技术（如scRNA-seq、scATAC-seq）允许我们在单个细胞分辨率下观测基因表达、染色质可及性等分子特征，从而揭示组织内的细胞类型组成、发育轨迹和疾病微环境。

单细胞数据具有高维度（数万个基因）、高噪声（稀疏的dropout事件）和大规模（数万至百万个细胞）的特点，直接分析原始数据几乎不可能。因此，标准的分析流程通常包含三大核心步骤：降维、聚类和轨迹推断。本文将带你从零理解这些方法的原理、实用工具和典型应用场景。

第一节：数据预处理的核心概念

在深入降维之前，必须理解单细胞数据的预处理，因为它直接影响后续分析的质量。

  • 质控与过滤：去除低质量细胞（线粒体基因比例过高、检测基因数过少）和杂质基因（核糖体基因、非编码RNA）。
  • 归一化：消除测序深度导致的细胞间差异。最常用的是LogNormalize：将每个细胞的计数除以总数后乘以一个缩放因子（如10,000），再取log1p。
  • 高变基因选择：分析并非用到所有基因。通常选取表达量高且方差系数大的前2000-5000个高变基因（HVGs），这些基因携带了细胞异质性的主要信息，并能大幅降低计算负担。
  • 数据缩放：对每个基因进行中心化和缩放，使得不同基因的尺度可比，避免高表达基因主导距离计算。

预处理后的数据矩阵（细胞 × 高变基因）便是降维算法的输入。

第二节：降维——在低维空间看见细胞

降维的目标是将高维基因表达空间压缩到2维或更多低维空间，同时保留细胞的原始距离关系和局部邻域结构。这对可视化和基于图论的聚类至关重要。

2.1 主成分分析（PCA）：线性降维的基石

单细胞流程标准步骤先用PCA将数据降至30-50维。

  • 原理：寻找数据方差最大的方向（主成分），每个主成分是原始基因的线性组合。
  • 作用：去除噪声，保留整体数据结构。后续的聚类和距离计算通常在PCA空间上进行，而不是原始基因空间。
  • 关键点：选择多少个主成分？通常基于“肘部图”，选取方差解释率趋于平缓之前的PCs。对于大多数组织，10-30个PCs足够捕获生物异质性。
# R语言示例
pca <- RunPCA(object, features = VariableFeatures(object))
ElbowPlot(object)  # 查看各PC贡献

2.2 t-SNE：擅长大规模细胞群体的可视化

t-SNE（t-分布随机邻域嵌入）是一种非线性降维，专为生成漂亮的二维可视化图而设计。

  • 核心思想：将高维空间中的细胞间相似性（概率分布）建模，然后在低维空间用 t 分布重建相似性。它擅长保持局部邻域，即原先聚在一起的细胞在二维图上依然靠近。
  • 优点：能将巨大且复杂的细胞类型分离得十分清晰，分群效果直观。
  • 注意事项：t-SNE的全局结构不可靠，不同距离间的簇不能直接比较；不同运行或不同参数（混乱度perplexity）会得到不同图像。因此，t-SNE只适合可视化，不适合作为定量分析的输入。

2.3 UMAP：平衡局部与全局的当前首选

UMAP（统一流形逼近与投影）是如今单细胞分析可视化和降维的主流方法。

  • 原理：基于黎曼几何和代数拓扑，首先构建高维数据的模糊拓扑表示，然后在低维用类似力导向图的算法优化，保留局部和一定程度的全局结构。
  • 比t-SNE的优势：更好地维持细胞群体的连续过渡，如发育轨迹；计算速度更快；聚类间的距离有一定可比性。
  • 常见应用：UMAP直接嵌入到2或3维用于可视化；也可嵌入到10-50维作为聚类前的降维步骤，部分流程（如Scanpy）常用PCA+UMAP组合进行聚类。
方法 输入维度 常用输出维度 主要用途 结构保持
PCA 基因 30–50 降噪、聚类基础 全局线性
t-SNE PCA空间 2 可视化 局部
UMAP PCA空间 2, 3, 10-50 可视化与聚类 局部+部分全局

第三节：聚类——定义细胞的身份

聚类将表达模式相近的细胞划分到同一细胞群中，每一群代表一种潜在的细胞类型或状态。单细胞聚类几乎都使用基于图的社区发现算法。

3.1 构建细胞邻接图

降维后的PCA空间（或UMAP空间）中，计算每个细胞最近的k个邻居（kNN），构建一个共享最近邻图（SNN Graph）。图的节点是细胞，边代表两个细胞之间的相似性。

  • 关键参数k：太小会导致图过于稀疏、分群琐碎；太大则模糊细胞群边界。通常设为20左右，并视细胞总数调整。
  • Jaccard相似性 常被用来加权边，使得两个细胞共同邻居越多，连接越强。

3.2 图聚类算法：Louvain 与 Leiden

在图上运行社区发现算法，将图切割成高度互连的细胞群体。

  • Louvain算法：早期经典，通过模块度优化快速迭代合并社区。容易产生“分裂不足”或“过度合并”的现象。
  • Leiden算法：Louvain的改进版，能保证社区内部连通性，避免形成弱连接的不良聚类，已成为主流。它通常给出层次更清晰的聚类结构。

调整**分辨率（resolution）**参数可以控制聚类的颗粒度：较高的分辨率产生更多更小的群簇，适合识别稀有亚型；较低的分辨率将小簇合并，对应大类细胞。通常在0.4到1.2之间尝试。

3.3 寻找差异基因与自动注释

聚类完成后，对每个簇进行差异表达分析，找到该簇相对于其他簇显著高表达的基因（标记基因）。常见的自动注释工具（如SingleR、CellTypist）会用这些标记基因将簇映射到已知细胞类型。人工校对通常是必要的，可以结合领域知识解读标记基因的生物学意义。

# Python Scanpy 示例
sc.tl.leiden(adata, resolution=0.8)
sc.tl.rank_genes_groups(adata, 'leiden', method='wilcoxon')

第四节：轨迹推断——重建动态生物学过程

单细胞数据是组织瞬间的快照，但细胞可能处于连续发育过程的不同阶段（如分化、细胞周期、免疫激活）。轨迹推断（也称伪时间分析）尝试将细胞沿着拟时间轴排序，重建动态变化。

4.1 轨迹推断的前置条件

并非所有数据集都适合做轨迹分析。你需要先判断数据特征：

  • 连续过程：如干细胞分化、前体细胞向成熟细胞转变。
  • 离散类型：成体中稳定的T细胞和B细胞，通常没有连续过渡，强行运行伪时间会得到误导性的结果。
  • 预处理：通常只使用关注亚群（如内皮谱系）进行轨迹推断，排除无关细胞类型。仍然使用高变基因或与分化相关的基因模块。

4.2 主流方法一览

Monocle 3 / Monocle 2
最广为使用的R包。Monocle 3 采用基于图的近似方法，先将细胞划分到小区间，然后学习穿过这些区间的最短路径来表达轨迹。它可以构建分支轨迹，并识别分支依赖的差异基因。

Slingshot
基于最小生成树（MST）和同时主曲线的方法。从给定的起始簇开始，将平滑曲线穿过细胞，特别适合树形结构的分化路径。它稳定、简洁，常与tradeSeq结合进行沿轨迹的统计检验。

RNA Velocity（RNA速率）
一种不同的视角。利用新转录的未剪接mRNA与成熟的剪接mRNA的比例，预测每个细胞未来的表达状态，从而在嵌入图上用箭头指示细胞的“运动方向”。软件scVelo、velocyto可计算RNA速率，能推断分化方向，甚至预测根部细胞。但需要具备未剪接和剪接计数数据。

PAGA（分区图抽象）
结合聚类和粗粒化图，适合复杂的分化拓扑。它使用聚类簇作为节点，边表示簇之间的连通可能性，保留全局拓扑的同时去除噪声。

4.3 实践步骤示例（以Monocle 3为例）

  1. 选择起始细胞：根据生物学知识或高表达干性标记基因的簇定义“根”。
  2. 降低维度与学习图：Monocle 3 使用UMAP嵌入和简化的聚类，然后学习各个分区的图结构。
  3. 有序化：调用order_cells()从根节点出发计算伪时间。
  4. 寻找动态基因：应用graph_test()或拟合伪时间的表达趋势，找出随轨迹显著变化的基因。
  5. 验证：绘制标记基因的表达热图或沿伪时间的折线图，确保生物学合理性。
# Monocle 3 核心流程
cds <- learn_graph(cds)
cds <- order_cells(cds, root_cells = colnames(cds)[root_cells_index])
plot_cells(cds, color_cells_by = "pseudotime")

常用组合：RNA速率提供方向，Monocle/Slingshot 提供精细伪时间排序。 两者结合可构建更可靠的分化轨迹模型。

第五节：集成分析框架与最佳实践

实际项目中需将这些步骤整合到统一框架。主流平台：

  • Seurat（R）：功能全面，从预处理、整合多样本、降维聚类到空间转录组。与其配套的Signac处理单细胞ATAC。
  • Scanpy（Python）：高效处理百万级数据，基于AnnData数据结构，生态丰富，与scVelo、cellxgene等无缝衔接。
  • Monocle 3（R）：专注轨迹分析，兼容Seurat对象。
  • scvi-tools：基于深度学习的概率模型，用于批次校正、降维和差异分析。

分析检查点建议：

  • 降维前后：检查PCA是否受技术因素（如线粒体百分比）驱动，必要时回归掉这些变量。
  • 聚类：不要仅依赖单一分辨率，观察多个分辨率下的标记基因一致性。可用Silhouette分数等指标辅助评估。
  • 轨迹：用不同的起始点或方法验证轨迹的稳健性。无生物学背景的随机轨迹几乎肯定为假。

结语

单细胞组学的核心分析链——“降维 → 聚类 → 轨迹推断”——将数万维的原始信号转化为可解读的细胞图谱和动态叙事。对于初学者，建议先熟悉Seurat或Scanpy的官方教程，实际操作一个PBMC数据集或发育数据集，体会每一步的输出与参数影响。随着多组学技术和空间信息的整合，分析手段还将持续进化，但理解这些基础模块已经能够帮助你打开单细胞世界的大门。

资源推荐：

  • Seurat官方教程 (satijalab.org)
  • Scanpy文档 (scanpy.readthedocs.io)
  • Monocle 3教程 (cole-trapnell-lab.github.io/monocle3)
  • 单细胞分析课程 (如broadinstitute的单细胞workshop)