拿到GEO单细胞测序原始数据一脸懵？不知道怎么质控、聚类，更别提找差异基因了？这篇文章不整虚的，直接拿我最近帮客户跑的一个真实项目举例，告诉你怎么从一堆乱码里扒出有价值的生物标志物，全程干货，建议收藏慢慢看。
先说个真事儿。上个月有个搞肿瘤免疫的学生找我，手里有个GSE123456（化名）的数据，说是老板让他赶紧出结果，不然延毕。他之前自己用Seurat跑了一遍，结果UMAP图散得像烟花，聚类根本分不开，最后哭着来找我。我一看他的代码，好家伙，连基本的线粒体基因比例都没过滤，直接拿原始计数矩阵做PCA，这不出bug才怪。单细胞数据这东西，噪音大得离谱，你稍微手松一点，后面全是垃圾。
咱们做分析，第一步绝对不是急着聚类，而是质控。这一步做不好，后面全是白搭。我一般建议，线粒体基因占比超过20%的细胞，直接扔。为什么？因为那些细胞要么死了，要么破损了，测出来的数据全是背景噪音。还有，每个细胞检测到的基因数太少的，也删掉。我那个学生案例里，他保留了大量低质量细胞，导致后续聚类的时候，那些死细胞混在活细胞里，硬生生把几个亚群给搅浑了。这就是典型的“垃圾进，垃圾出”。
接下来就是标准化和降维。这里有个坑，很多新手喜欢用LogNormalize，但对于某些高表达基因特别突出的样本，这个方法可能会掩盖真实的生物学差异。我通常会建议先看看数据的分布，如果偏态严重，试试SCTransform，这个算法能更好地处理技术噪音。我上次处理的一个白血病数据集，用了SCTransform后，T细胞和B细胞的界限瞬间清晰了，而用LogNormalize的话，这两个群混在一起，根本分不清。
聚类之后，就是找标记基因。这里要注意，不要只看p值，要看LogFC。有时候p值很小，但LogFC只有0.1，这种差异在生物学上意义不大。我习惯结合几个marker基因一起看，比如T细胞看CD3D、CD3E，B细胞看CD19、MS4A1。如果聚类出来的群，marker基因表达很乱，那说明聚类质量不行，得回去调整分辨率参数。我一般从0.4开始试，慢慢调，直到每个群都有明确的marker支持。
最后一步，功能富集分析。很多人跑完GSEA就完事了，其实这一步很容易出错。比如你选了GO分析，结果出来一堆“细胞代谢过程”，这种太宽泛的词，对解释机制没啥帮助。我建议多看看KEGG通路，或者用clusterProfiler里的dotplot来可视化。我上次帮一个客户分析GEO单细胞数据时，发现某个亚群在“细胞因子受体信号通路”上显著富集，结合文献，推测这个亚群可能在免疫逃逸中起作用，这个点后来成了他文章的核心亮点。
说几个常见的坑。第一，不要盲目相信自动化的流程。现在的单细胞分析工具很多，但每个工具的参数设置都不一样，你得根据自己的数据特点去调。第二，样本量太小别硬做。如果每个组只有3个样本，统计效力不够，差异分析的结果不可靠。第三，别忘了批次效应。如果数据来自不同批次，一定要用Harmony或BBKNN这些工具校正，不然你看到的差异可能只是技术偏差。
总之，分析GEO单细胞数据这事儿，技术是基础，但生物学思考才是核心。别光盯着代码跑得快不快，要多想想数据背后的生物学意义。我见过太多人为了发文章，硬凑数据，结果做出来的图虽然漂亮，但经不起推敲。咱们做科研，得对得起自己的良心，也得对得起读者的时间。希望这些经验能帮你在分析GEO单细胞数据时少走弯路，早点发文章。
