一、实验简介

单细胞测序是通过高通量测序技术对单个细胞的基因组、转录组、表观组等遗传物质进行精准检测与分析的核心技术。其核心原理是突破传统 bulk 测序（混合细胞测序）的局限，通过微流控、微孔板、液滴包裹等技术实现单个细胞的分离与捕获，再结合全基因组扩增（WGA）、单细胞转录组扩增（如 SMART-seq2、10x Genomics Chromium）等技术对微量核酸进行扩增，最后通过高通量测序获取单个细胞的分子信息，进而揭示细胞异质性、细胞分化轨迹、细胞间相互作用等关键生物学问题。该技术可从 “细胞群体” 深入到 “单个细胞” 层面，解析传统测序无法捕捉的细胞个体差异，是肿瘤微环境研究、神经细胞分型、胚胎发育调控、免疫细胞动态分析等领域的革命性工具，广泛应用于基础医学、转化医学及生命科学研究。

二、核心应用场景

肿瘤微环境与异质性研究：

肿瘤细胞分型与克隆进化：通过单细胞转录组测序，对肿瘤组织中的癌细胞进行分型（如肺癌中的鳞癌细胞、腺癌细胞亚型），分析不同亚型癌细胞的基因表达特征（如增殖相关基因、耐药基因的差异表达）；结合单细胞基因组测序，追踪肿瘤克隆进化轨迹（如原发灶与转移灶癌细胞的基因突变差异），揭示肿瘤异质性对治疗耐药性的影响（如某一克隆亚群高表达 ABC 转运蛋白导致化疗耐药）。

肿瘤微环境细胞互作：检测肿瘤微环境中的免疫细胞（如 T 细胞、巨噬细胞）、基质细胞（如成纤维细胞）、血管内皮细胞的单细胞分子特征，分析不同细胞类型间的基因表达关联（如癌细胞分泌的细胞因子与免疫细胞表面受体的表达匹配），构建 “癌细胞 - 免疫细胞 - 基质细胞” 互作网络，为肿瘤免疫治疗（如 PD-1/PD-L1 抑制剂）提供靶点依据（如发现肿瘤浸润 T 细胞的耗竭标志物 TIM-3 高表达）。

神经科学研究：

神经细胞分型与功能定位：对大脑特定区域（如海马体、皮层）的细胞进行单细胞转录组测序，基于基因表达特征划分神经细胞亚型（如兴奋性神经元、抑制性神经元的亚型），结合空间转录组技术定位不同亚型细胞的空间分布，解析神经细胞亚型与脑功能（如学习记忆、情绪调节）的关联（如某一神经元亚型高表达记忆相关基因 NR2B）。

神经退行性疾病机制：在阿尔茨海默病、帕金森病模型中，通过单细胞测序对比病变区域与正常区域的细胞分子变化（如阿尔茨海默病中星形胶质细胞的炎症因子基因高表达、多巴胺能神经元的凋亡相关基因激活），筛选疾病相关的特异性细胞亚型与关键基因（如帕金森病中 α- 突触核蛋白基因的突变在多巴胺能神经元中的富集），揭示疾病发生的细胞特异性机制。

胚胎发育与干细胞研究：

胚胎发育细胞分化轨迹：对不同发育阶段（如受精卵、囊胚、原肠胚）的胚胎细胞进行单细胞转录组测序，通过拟时序分析（Pseudotime Analysis）构建细胞分化轨迹（如从多能干细胞分化为内胚层、中胚层、外胚层细胞的路径），鉴定胚胎发育关键节点的调控基因（如 Oct4、Sox2 等多能性基因的表达动态变化），解析胚胎发育的分子调控网络。

干细胞分化与重编程：监测干细胞（如胚胎干细胞、诱导多能干细胞 iPSC）在分化过程中（如分化为心肌细胞、神经细胞）的单细胞分子变化，分析分化过程中基因表达的动态调控（如心肌细胞分化中 GATA4、Nkx2-5 等转录因子的逐步激活）；研究干细胞重编程过程中的细胞异质性（如部分细胞重编程效率低的分子原因），优化重编程条件（如调控关键信号通路提升重编程效率）。

免疫细胞动态与疾病免疫机制：

免疫细胞活化与分化：通过单细胞测序追踪免疫细胞在免疫应答过程中的动态变化（如 T 细胞从初始状态活化为效应 T 细胞、记忆 T 细胞的过程），分析不同活化阶段的基因表达特征（如效应 T 细胞中 IFN-γ、TNF-α 等细胞因子基因高表达），解析免疫细胞活化的调控机制（如 TCR 信号通路相关基因的激活）。

自身免疫病免疫异常：在类风湿关节炎、系统性红斑狼疮等自身免疫病中，检测患者外周血或病变组织中的免疫细胞（如 B 细胞、T 细胞）的单细胞分子特征，筛选异常活化的免疫细胞亚型（如自身反应性 B 细胞高表达自身抗体基因），鉴定疾病相关的免疫标志物（如类风湿关节炎中 Th17 细胞的 IL-17 基因高表达），为自身免疫病的诊断与治疗提供依据。

三、实验流程与周期

完整实验流程：

样本接收→单细胞悬液制备（根据样本类型处理：组织样本采用机械研磨 + 酶解（如胶原酶、胰蛋白酶）制备单细胞悬液，血液样本通过红细胞裂解 + 密度梯度离心获取免疫细胞，细胞系直接消化制成悬液；通过台盼蓝染色或荧光染色检测细胞活力，活力需≥80%）→单细胞捕获与文库构建（采用 10x Genomics Chromium、BD Rhapsody 等平台，通过液滴包裹或微孔捕获实现单个细胞分离，添加细胞条形码（Cell Barcode）与分子标签（UMI），进行反转录合成 cDNA，构建单细胞转录组 / 基因组文库）→文库质量检测（通过 Agilent 2100 检测文库片段大小（目标片段 200-400bp），Qubit 定量文库浓度）→高通量测序（采用 Illumina NovaSeq/HiSeq 平台，PE150/PE250 测序模式，转录组测序深度通常为 50,000-100,000 reads / 细胞，基因组测序深度根据需求调整）→原始数据处理（去除低质量 reads、接头序列、细胞条形码错误的 reads，通过 Cell Ranger、Seurat 等软件进行细胞过滤（去除 doublet 细胞、低基因数细胞）、基因表达定量（UMI 计数校正））→单细胞数据分析（细胞聚类分析、细胞亚型注释、差异基因分析、拟时序分析、细胞互作分析）→报告撰写。

实验周期：

单细胞转录组测序（≤10 个样本，每个样本捕获 500-10,000 个细胞）：18-22 个工作日（含单细胞悬液制备、文库构建、测序、基础数据分析）。

单细胞基因组 / 表观组测序（≤5 个样本）：22-28 个工作日（含全基因组扩增、文库构建、高深度测序、数据分析）。

复杂样本（如坚硬组织、低细胞量样本）或个性化分析（如细胞互作网络、空间单细胞联合分析）：额外增加 5-10 个工作日。

四、客户需提供的样本信息

样本类型：

组织样本：新鲜组织（如肿瘤组织、大脑组织、胚胎组织，体积≥100mg）、手术切除组织（需在离体 30min 内送至实验室，或用组织保存液保存），需注明组织来源与类型（如肺癌肿瘤组织、小鼠海马体组织）。

细胞样本：细胞系（≥1×10^6 个细胞，活力≥90%）、原代细胞（≥5×10^5 个细胞，活力≥85%）、免疫细胞（如外周血单个核细胞 PBMC，≥2×10^6 个细胞），需提供细胞培养条件与鉴定报告（如细胞纯度）。

血液样本：外周血（≥5mL，EDTA 抗凝管收集，避免溶血）、脐带血（≥10mL，EDTA 抗凝），需在采血后 4h 内送至实验室，或用血液保存液保存。

其他样本：胚胎样本（如囊胚，需提供发育阶段信息）、干细胞球（≥10 个，直径≤100μm），需注明样本处理特殊要求。

样本要求细则：

样本保存与运输：新鲜组织 / 细胞 / 血液样本需在室温下短时间运输（≤2h），或用专用样本保存液（如 10x Genomics Tissue Preservation Buffer）4℃保存运输（≤24h），避免冷冻（冷冻会导致细胞破裂，影响单细胞悬液质量）；若样本需长途运输，需使用温控运输箱（维持 4℃），并提前告知运输时间与方式。

实验设计信息：明确测序类型（单细胞转录组、基因组、表观组）、细胞捕获数量（如每个样本计划捕获 1000-5000 个细胞）、研究目的（如细胞分型、分化轨迹分析、细胞互作研究）、分组信息（如对照组、处理组，每组样本数量建议≥3 个生物学重复）。

特殊要求：若样本为珍贵样本（如临床罕见肿瘤组织），需提前说明（将优化实验流程，提高细胞捕获效率）；若需联合空间转录组分析，需提供样本的空间信息（如组织切片厚度、染色方式）；若有目标细胞亚型（如肿瘤干细胞），需提供该亚型的表面标志物信息（如 CD44+CD24-），以便后续细胞分选与针对性分析。

五、交付内容及增值服务

1. 基础交付：

完整实验报告：含样本处理步骤（单细胞悬液制备方法、酶解条件、细胞活力检测结果）、文库构建参数（捕获平台、细胞条形码数量、UMI 设计）、测序数据质控报告（Q30≥85%、细胞捕获效率、每个细胞的基因数与 reads 数）、原始数据（FASTQ 格式，上传至安全云平台）。

核心分析结果：

单细胞数据质控：细胞过滤前后的细胞数量统计、每个细胞的基因数 / UMI 数 / 线粒体基因比例分布图、细胞 doublet 过滤结果图。

细胞聚类与注释：细胞聚类 UMAP/tSNE 图（标注不同细胞簇）、细胞簇的差异基因列表（含 log2FC、P 值）、细胞簇注释结果（标注细胞亚型，如 T 细胞、癌细胞、内皮细胞）。

关键分析图表：差异基因火山图、细胞亚型比例统计柱状图（组间对比）、拟时序分析轨迹图（若涉及细胞分化）、细胞间信号通路互作网络图（若涉及细胞互作）。

实验材料留存：剩余单细胞悬液（4℃保存 24h，如需后续实验可提前说明）、未用完的文库（-20℃保存 1 个月）。

2.增值服务：

高级单细胞分析：单细胞基因调控网络分析（如 SCENIC 分析鉴定转录因子调控模块）、单细胞代谢分析（基于基因表达预测细胞代谢活性）、单细胞 TCR/BCR 测序分析（解析免疫细胞受体多样性与克隆扩增）、单细胞表观组联合分析（如单细胞 ATAC-seq 与转录组数据整合，分析染色质开放区域与基因表达的关联）。

多技术联合分析：与空间转录组数据整合，实现 “单细胞分子特征 - 空间位置” 关联分析（如确定某一细胞亚型在组织中的具体分布）；与 bulk 转录组 / 蛋白质组数据联合，验证单细胞发现的关键基因 / 细胞亚型（如在 bulk 数据中确认某一细胞亚型的标志物基因高表达）。

个性化数据挖掘：针对特定研究方向（如肿瘤耐药、胚胎发育），进行细胞亚型特异性标志物筛选（如肿瘤干细胞的特异性表面标志物）、关键调控基因功能预测（结合 GO/KEGG 富集分析）、疾病相关细胞亚型比例变化分析（如肿瘤治疗前后某一耐药细胞亚型的比例变化）；提供符合学术论文发表要求的数据可视化图表（如标注统计学差异、细胞亚型名称、比例尺）。

实验技术支持：提供单细胞悬液制备优化服务（针对难消化组织如胰腺、骨骼组织）、细胞分选服务（如基于流式细胞术分选目标细胞亚型）、后续验证实验设计（如通过荧光原位杂交 FISH 验证关键基因的单细胞表达模式），并提供实验操作指导与数据分析培训。

六、技术优势

单细胞捕获效率高与数据质量可靠：采用 10x Genomics Chromium X、BD Rhapsody 等主流平台，单细胞捕获效率可达 80%-90%，可有效避免 doublet 细胞（双细胞或多细胞）污染（doublet 率通常＜5%）；通过严格的细胞活力筛选（活力≥80%）与数据质控（过滤低基因数、高线粒体基因比例的细胞），确保每个细胞的基因检测数量≥1000 个，数据利用率高（有效细胞比例≥70%）。

检测分辨率与覆盖度高：单细胞转录组测序可检测单个细胞中的数千个基因，捕捉细胞间的细微表达差异（如同一细胞类型中不同状态细胞的基因表达差异）；高深度测序（≥50,000 reads / 细胞）可检测低丰度基因（如信号通路相关的低表达转录因子），确保细胞异质性分析的准确性；支持多种测序类型（转录组、基因组、表观组、TCR/BCR），满足不同研究需求。

数据分析专业与个性化强：拥有专业的单细胞生物信息学团队，熟练运用 Seurat、Scanpy、Monocle、CellPhoneDB 等主流分析工具，可提供从基础聚类注释到高级调控网络分析的全流程服务；可根据客户研究需求定制分析方案（如针对肿瘤微环境的细胞互作分析、针对胚胎发育的拟时序分析），并提供详细的数据分析报告与结果解读。

样本适应性与技术创新能力突出：针对不同类型样本（新鲜组织、血液、细胞系、胚胎）优化单细胞悬液制备方案 —— 如坚硬组织采用两步酶解 + 机械研磨法，易碎组织采用温和酶解 + 手动研磨法；不断引入新技术（如单细胞多组学测序、空间单细胞测序），满足前沿研究需求（如同时获取单个细胞的基因表达与染色质开放状态）；针对临床样本（如穿刺组织、微量样本）提供微量样本处理方案，确保实验顺利开展。

七、常见问题（FAQ）

Q：单细胞测序中，如何判断样本的单细胞悬液质量是否合格？悬液质量差会对结果产生什么影响？

A：单细胞悬液质量合格的判断标准：① 细胞活力≥80%（通过台盼蓝染色，活细胞呈无色，死细胞呈蓝色）；② 细胞浓度适宜（10x Genomics 平台推荐浓度为 700-1200 cells/μL），细胞数量充足（满足目标捕获数量的 1.5-2 倍）；③ 细胞形态均一，无明显细胞聚集（聚集细胞比例＜10%），无大量细胞碎片（碎片比例＜20%）。

悬液质量差的影响：① 细胞活力低（＜80%）会导致大量死细胞 RNA 释放，污染活细胞测序数据，使基因表达定量不准确，甚至无法有效区分活细胞与死细胞；② 细胞浓度过高或过低会影响单细胞捕获效率（浓度过高易导致 doublet 率升高，浓度过低易导致捕获细胞数量不足）；③ 细胞聚集会导致多个细胞被错误识别为单个细胞（doublet 细胞），干扰细胞聚类与亚型鉴定（如将癌细胞与免疫细胞的混合细胞误判为新的细胞亚型）；④ 细胞碎片过多会占用测序 reads，降低有效数据比例，增加测序成本。

若悬液质量不达标，建议重新制备单细胞悬液（如优化酶解时间、温度，采用细胞筛过滤去除聚集细胞与碎片），或选择更适合的样本处理方法（如针对低活力样本采用死细胞去除试剂盒）。

Q：单细胞转录组测序的细胞捕获数量与测序深度如何选择？不同研究目的对两者的要求有什么差异？

A：细胞捕获数量与测序深度的选择需结合研究目的、样本类型与预算综合判断：

（1）细胞捕获数量选择：

（2）测序深度选择：

选择建议：若为首次开展单细胞研究或预算有限，优先选择 “中等捕获数量（1000-3000 个细胞）+ 基础测序深度（50,000-80,000 reads / 细胞）” 进行探索性分析；若明确研究稀有亚型或低丰度基因，再针对性提高捕获数量与测序深度；同时，可通过预实验（如小样本量测试）评估捕获效率与测序深度是否满足需求，避免盲目增加成本。

细胞分型与异质性研究：需捕获足够数量的细胞以覆盖所有潜在细胞亚型，建议每个样本捕获 1000-5000 个细胞（如肿瘤组织需捕获 5000 个细胞以覆盖癌细胞、免疫细胞、基质细胞等多种类型）；若研究稀有细胞亚型（如肿瘤干细胞，比例＜1%），需增加捕获数量（如 10,000-20,000 个细胞），确保稀有亚型有足够的细胞数量用于分析（如捕获 20,000 个细胞可获得约 200 个稀有亚型细胞，满足后续差异分析需求）。

细胞分化轨迹与动态变化研究：需捕获不同分化阶段的细胞，建议每个样本捕获 2000-5000 个细胞（如胚胎发育研究需覆盖从多能干细胞到分化细胞的多个阶段），确保拟时序分析能构建完整的分化轨迹（如捕获 5000 个细胞可覆盖分化过程中的关键过渡态细胞，避免轨迹断裂）。

简单细胞群体分析（如细胞系、纯免疫细胞群体）：细胞类型单一，无需覆盖复杂亚型，建议每个样本捕获 500-1000 个细胞，即可满足基因表达差异分析需求（如药物处理前后细胞系的基因表达变化），同时降低实验成本。

基础细胞分型与差异基因筛选：测序深度为 50,000-80,000 reads / 细胞，可检测到每个细胞中 1000-3000 个基因，满足细胞聚类与亚型注释需求（如通过高表达标志物基因区分 T 细胞、B 细胞），成本较低，适合大样本量研究（如 10 个以上样本的临床队列分析）。

低丰度基因检测与精细分析（如信号通路、转录因子）：需提高测序深度至 100,000-150,000 reads / 细胞，可检测到每个细胞中 3000-5000 个基因，包括低丰度的信号通路基因（如 NF-κB 通路的 p65 基因）、转录因子（如 Oct4、Sox2），适合机制研究（如解析细胞分化的调控通路）。

稀有转录本与非编码 RNA 分析：需进一步提高测序深度至 150,000-200,000 reads / 细胞，可检测到低丰度的非编码 RNA（如 lncRNA、circRNA）、稀有转录本（如交替剪接异构体），适合非编码 RNA 功能研究（如 lncRNA 在肿瘤发生中的作用）。

Q：单细胞测序中，“doublet 细胞” 是什么？如何检测与去除 doublet 细胞？doublet 细胞对实验结果有什么影响？

A：“doublet 细胞” 是指在单细胞捕获过程中，两个或多个细胞被错误包裹在同一个液滴（或微孔）中，被当作单个细胞进行测序的情况，常见于细胞浓度过高、细胞聚集时。

（1）doublet 细胞的检测方法：

（2）doublet 细胞的去除措施：

（3）doublet 细胞的影响：

计算预测法：通过软件（如 Scrublet、DoubletFinder）基于细胞基因表达特征预测 doublet 细胞 —— 原理是 doublet 细胞的基因表达谱会呈现两种不同细胞类型的混合特征（如同时高表达 T 细胞标志物 CD3 与 B 细胞标志物 CD19），软件通过模拟混合细胞表达谱与实际细胞表达谱的比对，计算每个细胞的 doublet 得分，得分高于阈值（如 0.2）的细胞判定为潜在 doublet。

实验标记法：在样本制备时加入已知序列的 “doublet 标记寡核苷酸”（如 Cell Hashing 技术），每个样本的细胞携带独特的标记，若一个测序单元中检测到两种及以上标记，则判定为 doublet 细胞（适用于多样本混合捕获的实验）。

形态观察法：通过荧光显微镜观察单细胞悬液的细胞形态，若存在明显的细胞聚集（如两个细胞黏连），可初步判断存在 doublet 风险，但该方法无法精准检测已捕获的 doublet 细胞，需结合计算预测法使用。

预防阶段：优化单细胞悬液制备（如采用细胞筛过滤去除聚集细胞，确保细胞浓度在推荐范围（700-1200 cells/μL）内），避免细胞浓度过高导致液滴内包裹多个细胞。

数据分析阶段：通过 Scrublet、DoubletFinder 等软件筛选出 doublet 细胞，在后续分析中直接剔除（如在 Seurat 分析流程中通过细胞 ID 去除 doublet 细胞），通常需控制 doublet 率＜5%（若 doublet 率＞10%，建议重新制备悬液）。

干扰细胞聚类与亚型鉴定：doublet 细胞的混合表达谱会导致聚类结果出现 “假亚型”（如 T 细胞与癌细胞的 doublet 会被误判为新的细胞亚型），影响真实细胞亚型的划分。

导致差异基因分析偏差：doublet 细胞的基因表达水平是两种细胞的平均值，会掩盖真实细胞的差异表达（如癌细胞中高表达的增殖基因在 doublet 中表达量被稀释，导致差异基因漏检）。

浪费测序资源：doublet 细胞的测序数据无法反映单个细胞的真实状态，相当于浪费了部分测序 reads，增加实验成本。

Q：单细胞测序与传统 bulk 测序有什么核心差异？在什么情况下优先选择单细胞测序？

A：两者的核心差异体现在检测分辨率、数据解读维度、适用场景上，具体对比如下：

优先选择单细胞测序的场景：

研究细胞异质性相关问题：如肿瘤微环境中不同细胞亚型的功能、神经组织中神经元亚型的分类、胚胎发育中细胞的分化差异，这些问题无法通过 bulk 测序的平均数据解析。

解析稀有细胞类型的功能：如肿瘤干细胞（比例＜1%）、循环肿瘤细胞（CTCs，数量极少），bulk 测序无法检测到这些稀有细胞的信号，需单细胞测序的高分辨率捕捉。

探索细胞动态变化过程：如免疫细胞活化、干细胞分化、细胞周期进程，需通过单细胞测序追踪单个细胞的动态分子变化，构建分化轨迹或周期阶段。

样本量有限或珍贵样本：如临床穿刺组织（样本量少，无法满足 bulk 测序需求）、胚胎样本（稀有且不可再生），单细胞测序可最大化利用有限样本获取更多信息。

优先选择 bulk 测序的场景：

初步筛查群体水平的差异（如药物处理前后细胞群体的整体基因表达变化），可作为单细胞测序的前期探索。

大样本量临床队列研究（如数百个患者样本的标志物筛选），bulk 测序成本更低，适合快速批量检测。

样本为冷冻组织、FFPE 组织（无法制备活的单细胞悬液），或仅需分析群体整体的突变、表达特征（如肿瘤组织的基因突变谱）。

Q：单细胞测序的数据分析中，“拟时序分析（Pseudotime Analysis）” 是什么？其核心目的是什么？适用于哪些研究场景？

A：拟时序分析（Pseudotime Analysis）是通过单细胞转录组数据，模拟细胞在时间维度上的动态变化过程（如分化、活化、凋亡），为每个细胞分配一个 “拟时序值”（代表细胞在动态过程中的相对时间位置），从而构建细胞从初始状态到终末状态的连续轨迹。

（1）核心原理：

（2）核心目的：

（3）适用场景：

基于单细胞基因表达的连续性：细胞在动态过程中（如分化），基因表达会逐渐变化（如多能性基因逐渐下调，分化标志物基因逐渐上调），不同细胞的表达谱呈现连续的梯度变化。

通过算法构建轨迹：采用 Monocle、Slingshot 等工具，以表达谱相似的细胞为节点，构建最小生成树（MST）或主曲线，将离散的单细胞数据拟合为连续的轨迹，再根据细胞在轨迹上的位置分配拟时序值（如初始状态细胞拟时序值为 0，终末状态细胞拟时序值为 1）。

还原细胞动态过程：将静态的单细胞数据转化为动态的时间轨迹，直观展示细胞从一种状态向另一种状态的过渡（如干细胞从多能状态分化为心肌细胞的过程）。

筛选动态调控基因：分析拟时序过程中基因表达的变化趋势（如持续上调、持续下调、先升后降），筛选关键调控基因（如分化过程中的转录因子、信号通路基因）。

识别过渡态细胞：在轨迹的分支点或关键节点，发现处于过渡状态的细胞（如干细胞分化中的 “祖细胞”），这些细胞往往在动态过程中起关键调控作用。

胚胎发育研究：如构建受精卵从卵裂期到囊胚期的细胞分化轨迹，分析不同胚层细胞的分化顺序与关键调控基因。

干细胞分化研究：如追踪胚胎干细胞分化为神经细胞、心肌细胞的轨迹，解析分化过程中的信号通路调控（如 Wnt 通路、BMP 通路的动态变化）。

免疫细胞活化研究：如分析 T 细胞从初始状态到效应状态、记忆状态的活化轨迹，筛选活化过程中的关键细胞因子与受体基因。

疾病进展研究：如构建肿瘤细胞从增殖状态到转移状态的轨迹，分析转移相关基因的动态表达，揭示肿瘤转移的分子机制。