新一代单细胞多组学测序技术

单细胞测序已能在单个细胞层面检测基因组、转录组等多个组学，显示各类细胞间的差异与演化关系，在肿瘤、免疫、神经等医学领域作用重要 ^[1]。但方法学瓶颈同样清楚：把多层表观基因组信息放进同一个细胞里读取，此前尚未实现，scCOOL-seq 随后实现了在同一哺乳动物细胞中同时分析染色质状态/核小体定位、DNA 甲基化、拷贝数变异与倍性 ^[2]；三维染色质构象是发育与疾病中基因调控的关键机制，但在复杂组织里以细胞类型分辨率加以解析长期困难，single-nucleus methyl-3C 借助 4,200 多个人脑前额叶皮层单细胞重建出 14 种皮层细胞类型的构象图谱 ^[4]；计算层面，如何配对 scATAC-seq 与 scRNA-seq、推断基因调控网络，也催生了 FigR 框架（约 9.1 万个单细胞图谱）^[3]。

这条消息是 ImmuneZoom 的一期 50 分钟专家讲座，讲者郭（北大）系统梳理了单细胞多组学测序的演进脉络：从单细胞基因组与单分子测序，走向 3D 基因组结构解析，核心动因是避免 bulk 平均化；平台层面则由早期 NGS 发展到单细胞多组学。他强调单细胞测序能忠实反映体内细胞类型，在动物模型中不存在细胞培养带来的偏差。应用上，这一方法可用于识别靶细胞类型、解析发育与疾病过程，凸显单细胞组学对机制研究的关键作用；其定位是实验方法而非 AI，与 #50（Illumina NGS）、#63（单细胞测序原理）构成互补的方法学链条。

与既有综述更多聚焦各疾病领域的应用 ^[1] 不同，这场讲座把散落的研究线索——同一细胞内多层组学联测 ^[2]、三维构象与 DNA 甲基化同测 ^[4]、多组学数据的计算配对 ^[3]——串成一条“从早期 NGS 到单细胞多组学”的方法学主线，并将“为何要做单细胞”（避免平均化、忠实反映体内细胞类型）与“如何做多组学”并置，为机制研究中的技术选型提供了参照。

当然，作为综述性讲座，消息本身并未给出新的数据或性能指标；就领域而言，复杂组织中细胞类型特异的 3D 基因组解析仍是难点 ^[4]，跨组学数据的整合也仍需不断发展的计算框架 ^[3]。