做生信分析这行，我也算是摸爬滚打了十五年。最近不少刚入行的朋友在后台问我，说拿到GEO数据库里的单细胞数据后，看着那一堆密密麻麻的数字头都大了，不知道从哪下手。其实，核心就在那个所谓的“表达矩阵”上。今天我不讲那些高大上的理论，就结合我经手的几个真实项目，聊聊怎么把这个geo的单细胞测序表达矩阵玩明白，少走弯路。
首先得纠正一个误区，很多人以为下载下来的文件直接扔进Seurat或者Scanpy就能跑通。大错特错。GEO上的数据格式五花八门，有的作者上传的是经过预处理的counts，有的是原始fastq，甚至有的连metadata都缺失。我去年接的一个肿瘤微环境项目，客户直接给了一个TSV文件，看着像矩阵，结果里面混杂了大量的非编码RNA注释错误，导致后续聚类完全跑偏。所以，第一步不是分析，而是“验货”。
拿到数据后，第一件事是确认矩阵的维度。真正的geo的单细胞测序表达矩阵，行通常是基因，列是细胞。但你要小心，有些平台上传的是转置后的数据，或者包含了一些质量控制前的低质量细胞。我在处理一个免疫细胞数据集时，发现列名里混入了很多以“S”开头的样本ID，这其实是测序批次信息，如果不剔除，后续做批次校正时会被误认为是生物学差异。这时候，你得用R语言里的Read.table或者Python的Pandas库，先把数据读进来，检查一下行列名是否规范。
接下来是数据清洗。这一步最考验耐心。很多新手在这里偷懒，直接跳过QC（质量控制）。记住，垃圾进，垃圾出。你需要根据线粒体基因比例、UMI数量、基因数量这三个指标，画出散点图。一般来说，线粒体比例超过10%-20%的细胞，大概率是死细胞或破损细胞，必须剔除。我有个客户的项目，因为没剔除这些低质量细胞，导致后续的差异基因分析里，大量上调的基因都是线粒体相关的，这显然不是生物学意义上的差异，而是技术噪音。
清洗完数据，就是标准化的关键步骤。这里要提到一个细节，很多教程只说用LogNormalize，但对于geo的单细胞测序表达矩阵来说，如果数据中存在大量的零值（dropout效应），简单的对数转换可能不够。这时候，可以考虑使用SCTransform，它基于负二项式回归模型，能更好地处理技术变异。我在处理一个发育生物学的数据时，用了SCTransform后，细胞聚类的分辨率明显提高了，原本混在一起的几个亚群终于分开了。
然后是降维和聚类。PCA是基础，但别忘了看PCs的选择。不要盲目取前30个PC，要根据碎石图（Scree Plot）或者JackStraw plot来决定。我见过太多人直接取前20个，结果把噪声当成了信号。聚类算法方面，Louvain和Leiden是主流，但分辨率参数（resolution）需要根据数据量调整。数据量大时，分辨率设低一点，避免过度分割；数据量小时，设高一点，捕捉细微差异。
最后，差异表达分析。这一步出来的结果，才是你写文章的核心。但要注意，差异基因筛选时，不要只看p值，还要看logFC（对数倍数变化）。有时候p值很小，但logFC只有0.1，这种差异在生物学上可能毫无意义。我习惯设定logFC > 0.25且p.adjust < 0.05作为初步筛选标准，然后再结合文献和通路富集分析，筛选出真正有故事基因。
说到这，可能还是有朋友觉得头大。毕竟从原始数据到最终图表，中间涉及的细节太多了。比如批次效应如何去除？不同平台的数据如何整合？这些都需要丰富的经验。如果你手头有复杂的geo的单细胞测序表达矩阵搞不定，或者分析结果总是不理想，不妨找个靠谱的人聊聊。别为了省那点咨询费，最后浪费了宝贵的时间和样本数据。分析数据就像看病，找对医生，才能药到病除。
本文关键词：geo的单细胞测序表达矩阵
