Eric Chow 讲解单细胞测序技术原理与平台分类

绘制单细胞水平的基因表达图谱、追踪异质的细胞亚群并推断基因间调控关系，是生物学家长期以来的目标 ^[1]。2009 年，单细胞 mRNA 测序在单个小鼠卵裂球上证明了可行：比微阵列多检出 5,270 个（75%）基因，并发现 1,753 个此前未知的剪接位点 ^[2]。但真正卡住领域的是通量——如何常规地分离并处理大量单个细胞 ^[1]。此后形成两条路线：孔板式的 Smart-seq2 通过改进反转录、模板切换与预扩增，以更低成本获得更灵敏的全长转录组数据，但通量受限 ^[3]；液滴微流控则把细胞与带条形码引物的水凝胶珠同包进液滴、并行处理 mRNA，Drop-seq 一次可标记数千个细胞 ^[1]，inDrops 更达到每小时索引超过 15,000 个细胞、小样本中捕获率高于 75% ^[4]。

UCSF 的 Eric Chow 在 iBiology Techniques 的这堂 25 分钟讲座里，把这套技术版图系统梳理了一遍。他先回答“为何要做单细胞”：bulk 测序把组织匀浆平均化，掩盖异质性，而单细胞测序才能分辨同一组织内不同细胞类型与状态的转录组差异。随后是平台分类：plate-based（如 Smart-seq）、微流控液滴（如 10x，每个液滴包一个细胞加一个 bead）、combinatorial indexing 等。核心流程为裂解单个细胞、反转录时加上条形码、扩增、测序，条形码使来自同一细胞的 reads 得以重新归到一起。讲座还覆盖了多组学扩展：用结合蛋白的抗体检测表面抗原实现 RNA 加蛋白，或叠加染色质层面的 ATAC 检测。

这类系统讲解的价值，在于把散落在各方法学文献中的共同逻辑——用条形码编码细胞身份——串成一条可迁移的框架 ^[1][2][3][4]，帮助使用者按通量、灵敏度与多组学需求选择平台。就应用而言，单细胞分辨率正在改变临床样本中组织异质性的刻画方式，例如与空间转录组及原位技术联用，可揭示肿瘤不同区域间的分子差异和罕见的边界细胞 ^[6]。按其定位，这是一份实验方法层面的训练资源，与 Illumina NGS 文库制备、单细胞组学测序技术等专题互为补充。

讲座也没有回避局限：dropout 使低表达基因常检不到，doublet 会产生双细胞的混合信号，且需要足够细胞数才有统计效力。此外，液滴类实验还伴随系统性背景噪声，可引发批次效应和假阳性差异表达，需要 CellBender 之类的计算工具去噪 ^[5]。这些约束提醒使用者：平台选型与实验设计，仍是单细胞分析成败的前提。