实际做精准医学和基因组学项目的时候我经常被问到一个问题单细胞和空间转录组的数据都拿到了然后呢这个问题背后是很多团队的真实困境——测序费用花了不少fastq堆了一硬盘但分析管线怎么搭、两组学数据怎么互相印证、最后怎么落到AI模型上很多人是模糊的。这篇文章是“多组学数据整合与AI建模”章节的开篇我聚焦在单细胞与空间转录组技术栈上把从实验原理、数据形态、分析管线、质控逻辑到多组学整合和AI建模落地的完整路径梳理一遍。我会直接讲我在真实项目里怎么选工具、怎么定参数、在哪里踩过坑尽量让不同基础的读者都能从中找到自己能用的东西。1. 单细胞和空间转录组为什么总是绑在一起谈1.1 单细胞测序解决的核心问题传统转录组测序bulk RNA-seq拿到的是一个组织块里所有细胞的平均信号。问题在于一个肿瘤组织里可能有癌细胞、T细胞、巨噬细胞、成纤维细胞它们的基因表达模式完全不同平均之后很多关键信号会被稀释甚至掩盖。单细胞转录组测序scRNA-seq的出现就是为了解决这个问题——把组织解离成单个细胞给每个细胞单独测序从而得到“细胞×基因”的表达矩阵。常规10x Genomics平台一次实验可以测几千到上万个细胞稀疏矩阵里每行是一个细胞每列是一个基因矩阵中的数值代表该基因在这个细胞中的转录本捕获量。但单细胞测序有一个天然代价组织解离的过程把细胞从原本的“地理位置”上扯下来了。细胞和细胞之间原本挨着还是隔着、肿瘤细胞是浸润在免疫细胞里还是形成一个孤立团块、某个基因的高表达到底发生在组织哪个区域——这些信息在单细胞数据里完全丢失。正因为这个缺点空间转录组测序被越来越多地纳入实验设计。1.2 空间转录组把坐标信息加回来空间转录组的技术路线与单细胞不同它不做细胞解离而是在组织切片上直接进行转录组捕获。目前应用最广的是10x Visium平台组织切片被贴在带有条形码探针的捕获区域上每个捕获点位spot的直径约55微米会捕获到该点下方几个到十几个细胞的混合转录组信号同时记录每个spot在组织上的二维坐标。简单说空间转录组数据的表达矩阵里每一行是一个空间spot每一列是一个基因另外还有每个spot的x、y坐标以及对应的组织切片HE染色图像。除了Visium还有Slide-seq分辨率接近单细胞但基因检出量偏低和Stereo-seq华大智造纳米级分辨率等平台。不同平台的分辨率、通量和成本差异很大选型时需要根据研究问题权衡。Visium的优势是流程成熟、与10x单细胞数据兼容性好是目前大多数实验室入门空间转录组的首选。1.3 整合的必要性单细胞给分辨率空间给位置单细胞数据有细胞类型分辨率但缺位置空间转录组有位置但每个spot是混合信号。把两者放在一起看才是完整的组织图景。比如我们研究肿瘤免疫微环境单细胞数据能告诉我们这个组织里有哪些免疫细胞亚群而空间转录组能告诉我们CD8T细胞到底聚集在肿瘤边缘还是浸润进了肿瘤核心再比如细胞通讯分析配体-受体互作不仅需要知道哪些细胞表达了配体和受体更需要知道它们是否在物理上邻近。解决这些问题本质上是一道“把单细胞分辨率映射回空间位置”的整合题这也是后面所有分析流程的出发点。2. 技术栈全景从fastq到表达矩阵的那套标准管线2.1 单细胞定量工具Cell Ranger是标尺但不是唯一选择拿到单细胞测序的原始fastq数据后第一步是把reads比对到参考基因组并完成定量。绝大多数人接触到的第一个工具是10x官方提供的Cell Ranger。它的命令行设计直观一个count命令就能完成比对、过滤、barcode计数和表达定量cellranger count --idPBMC_sample \ --transcriptome/data/ref/refdata-gex-GRCh38-2020-A \ --fastqs/data/fastq \ --samplepbmc_donor1 \ --localcores16Cell Ranger最大的优点是“无脑且标准”输出的filtered_feature_bc_matrix.h5文件可以直接被Seurat或Scanpy读取。它的缺点是资源消耗比较大并且是一个相对封闭的黑盒逻辑。如果样本量很大或需要更灵活的定制很多团队会改用STARsolo或者kallisto|bustools。STARsolo用STAR比对器直接生成稀疏表达矩阵内存占用比Cell Ranger低不少速度更快kallisto|bustools走的是伪比对路线不需要完整比对速度最快适合大规模筛选场景。我们在实际项目中小样本量直接上Cell Ranger几百个样本以上的大队列会用STARsolo做并行化处理。2.2 空间转录组的Space Ranger与图像配准空间转录组的原始数据处理沿用10x的生态对应工具是Space Ranger。和单细胞流程相比它多了一个关键步骤把测序得到的barcode信号与组织切片HE图像的像素位置对应起来。运行count时需要指定slide编号和捕获区域信息再把组织切片的HE图像一并传入space ranger count --idVisium_sample \ --transcriptome/data/ref/refdata-gex-GRCh38-2020-A \ --fastqs/data/fastq \ --image/data/images/tissue.tif \ --slideV19B01-073 \ --areaCapture_Area_A1 \ --localcores16Space Ranger会输出每个spot的坐标、组织下的spot覆盖率以及和单细胞格式兼容的feature-barcode矩阵。这一步完成之后空间转录组数据就已经具备了和单细胞数据“对话”的基础语言——同一个参考基因组、同一种稀疏矩阵格式。2.3 表达矩阵之后Seurat和Scanpy两个生态的分工拿到表达矩阵之后分析的主战场就转移到了R或Python生态。R语言生态里Seurat是绝对主力它的图形可视化、差异表达分析、富集分析比如GO富集体验非常好Python生态里对应的是Scanpy处理百万级细胞时内存更友好而且和后续的机器深度学习工具链衔接更顺。很多单细胞组间GO富集分析的实际操作目前仍然是R生态最顺手——跑完Seurat的FindMarkers把差异基因列表喂给clusterProfiler做富集整套链路成熟可靠。两个生态之间可以通过sceasy或zellkonverter包做对象互转AnnData和Seurat对象互相转换满足混合使用的需求。我的习惯是小规模探索性分析用RSeurat速度直观数据量大到几十万细胞以上或者后续要上深度学习模型就切到PythonScanpy。3. 质量控制真正决定分析成败但最容易被忽略的一环3.1 单细胞QC的三个标准指标很多人在拿到表达矩阵后急着跑UMAP这是比较常见的误区。质量控制如果没做到位后面的聚类和注释都会失真。单细胞数据质控主要看三个指标每个细胞捕获到的总UMI数、检测到的基因数以及线粒体基因的reads占比。线粒体reads占比高的细胞通常意味着细胞膜破损、胞质内容物泄漏只剩下线粒体还在活跃属于典型的低质量细胞。关键的一点是阈值不应该照搬教材里的固定值。不同组织来源、不同建库条件产生的数据分布差异很大合理的做法是先画出这三个指标的分布图观察是否呈现双峰在低谷处切分。比如外周血单个核细胞PBMC数据基因数一般在500~2500之间线粒体比例阈值为10%~15%而某些组织解离后压力较大的样本线粒体比例阈值可能得放宽到20%以上。3.2 Doublet问题被忽视的干扰源质控里另一个经常被忽略的问题是doublet也就是两个或多个细胞被同时包裹进同一个液滴导致一个barcode下面混着多套转录组信号。10x平台的doublet率大约每捕获1000个细胞增加0.8%样本越大doublet绝对数越多。如果不处理doublet会形成一批“中间态”聚类严重干扰细胞类型注释。检测doublet的成熟工具有DoubletFinderR包和ScrubletPython包原理都是基于每个barcode的基因表达是否像两张表达谱的混合。建议在聚类之前先跑一遍doublet检测把高概率doublet的barcode剔除掉。这里有个小技巧doublet检测的结果通常作为“先验概率”使用不要一刀切删完保留概率处于中间地带的细胞等聚类后再根据marker基因表达情况做人工判断效果更好。3.3 空间转录组的QC维度更多空间转录组的质控除了UMI数和基因数之外还要额外关注spot的组织覆盖率、测序饱和度和透化条件的质量。Visium切片上只有组织覆盖区域才有生物学信号所以第一步是去掉组织边缘外的空spot测序饱和度低说明当前测序深度还不够把每个spot的转录本都捕获全继续增加深度有意义而饱和度已经很高情况下再测就是浪费。组织透化处理时间过长或过短都会让RNA捕获效率出现偏差这种实验层面的问题往往会表现为整个切片所有spot的UMI普遍偏低或空间梯度异常。如果遇到这种情况check一下Space Ranger输出的图像比对结果往往能看到问题所在。空间转录组数据经过质控后还需要做一道和单细胞不一样的流程——对spot的UMI进行归一化和方差稳定化同时结合组织切片图像把spot聚类结果映射回空间坐标上肉眼判断聚类边界是否与解剖结构一致。4. 空间坐标与邻域结构空间转录组独有的数据形态4.1 坐标系统与图结构处理空间转录组数据最难适应的是它多了一套坐标系统。每个spot不仅有基因表达向量还有在组织切片上的row、col坐标。Visium的spot排列在一个六边形栅格上相邻spot之间的距离是一个固定值。这种结构天然适合用图graph来表达以spot为节点以物理距离在一定阈值内的spot为边就构成了一张空间邻接图。邻接图的价值在于它把“空间邻近”转化成数学上可以计算的结构后续的空间可变基因识别、细胞生态位分析、甚至图神经网络建模都建立在这张图上。Scanpy里可以用squidpy或者GraphTools库来构建邻接矩阵。比如squidpy中用sq.gr.spatial_neighbors(adata)一句就能完成然后用这个邻接结构去做空间的Moran’s I自相关分析识别哪些基因的表达存在空间聚集趋势。4.2 反卷积从spot到细胞类型Visium每个spot捕获的是多个细胞的混合信号直接做细胞类型注释并不现实。通常会采用反卷积deconvolution策略利用同一组织或类似组织的单细胞数据作为参考推断每个spot中各种细胞类型所占的比例。主流工具包括cell2location、RCTD、SPOTlight等。cell2location是目前比较稳的选择基于变分贝叶斯推断可以把参考单细胞数据的细胞类型特征映射到spot空间输出每个spot的细胞类型组成比例矩阵。完成后我一般会做一个“可信度检查”把推断出的免疫细胞丰度与同一个切片HE染色里相应区域的病理结构做肉眼比对。如果肿瘤核心区域在反卷积结果里显示巨噬细胞富集这就和病理知识互相印证分析结果才敢往下用。4.3 空间可变基因与细胞生态位识别有了邻接结构就可以回答“哪些基因的表达在空间上不是均匀分布”这类问题。空间可变基因识别工具如SpatialDE高斯过程模型、SPARK空间自相关模型可以从几千个基因里筛选出具有显著空间模式的基因。这些基因往往是组织结构形成的分子基础比如区域特异性标记物、肿瘤边界的分子信号等。再进一步细胞生态位指的是由邻近多种细胞类型构成的局部微环境。通过MISTy或Squidpy的细胞邻域分析可以量化每个spot周围的细胞类型组成识别出“高T细胞浸润区”“富成纤维细胞区”等不同的生态位类型。有了生态位信息细胞通讯分析才更有说服力——CellChat或CellPhoneDB这类配体受体分析工具结合空间距离做过滤得到的互作关系才是真正有空间意义的。5. 多组学整合与AI建模核心不在“拼数据”而在“对齐”5.1 多组学整合的两种模式所谓多组学数据整合现实中通常指两类模式。一类是横向整合同一批样本做了单细胞转录组、单细胞ATAC-seq染色质开放性、蛋白质组等多模态数据分析目标是把同一细胞亚群的不同模态信号对应起来另一类是纵向整合不同批次的单细胞数据来自不同患者或不同实验室需要把数据合并后进行统一的细胞注释和比较分析。后者在队列研究中极其常见比如收集100例结直肠癌患者的单细胞数据首先要做的是消除批次效应然后再谈疾病亚型差异。5.2 批次效应整合绕不开的坎批次效应来自实验处理、建库试剂批次、测序深度差异甚至操作人员的不同是一种技术噪声。如果不加纠正直接合并数据聚类结果往往先是按批次分开而不是按生物学差异分开。当前主流的批次整合方法有两类一类是嵌入式方法代表性的有Harmony和Seurat的CCA整合另一类是生成模型方法代表性的有scVI等深度隐变量模型。Harmony的原理是把数据映射到低维空间后通过迭代聚类方式最大化生物学差异同时最小化不同批次间的差异速度快、容易上手是批量处理时的默认选择。scVI基于变分自编码器可以学习每个细胞的隐表示对复杂非线性批次效应的建模能力更强但训练耗时也更长。这里要特别提醒批次矫正不能过度。把不同患者的数据矫正到完全重叠可能会抹掉真实的个体差异和疾病亚型信号。我的做法是矫正后先跑一次聚类再分批次检查每个聚类的细胞组成比例。如果发现某个聚类里所有细胞都来自同一个样本那大概率是过矫正了。5.3 AI建模的几种落地场景多组学整合的最后一步是AI建模实际项目中我遇到过比较高频的需求有三种。第一种是细胞类型自动注释。传统注释依赖人工检查标记基因费时且主观性强。现在可以用参考数据集训练分类器或者用Seurat的映射函数把新数据映射到注释好的参考数据上更进一步则可以直接用单细胞基础模型做零样本注释比如scGPT和Geneformer这类预训练模型输入基因表达谱就能输出细胞类型预测。实测下来预训练模型在常见组织类型上表现不错但遇到稀有细胞类型或非模式物种时效果打折扣需要做少量数据微调。第二种是基因调控网络推断。输入是单细胞表达矩阵和ATAC-seq的染色质开放性数据输出是转录因子到靶基因的调控关系网络。经典工具如SCENIC利用转录因子结合motif信息推测调控子活性还有基于互信息的算法如GRNBoost2。这类网络的输出可以帮助锁定疾病驱动转录因子但网络推测本质上是一种相关性分析后续需要实验验证。第三种是药物响应和扰动预测。比如输入某类细胞在药物处理前后的转录组变化训练模型预测新的药物组合对细胞状态的扰动结果。这个方向现在还在早期阶段但已经有工作室在用生成模型模拟“如果给这个细胞敲除某个基因它下一时刻的转录组会变成什么样子”。这类预测一旦稳定对靶点发现和药物筛选的加速作用会非常明显。5.4 基础模型时代的单细胞分析近两年最热的趋势是把大语言模型的思路搬到基因表达数据上。Geneformer、scFoundation、scGPT等模型用海量单细胞数据做自监督预训练再用少量标注数据做微调就能完成细胞类型注释、基因表达预测、扰动效应预测等任务。这个方向的想象空间很大但目前仍有明显局限预训练数据的细胞组成偏倚会影响模型在新组织类型上的表现tokenization策略把基因怎么映射成离散token还没有统一标准模型推理结果的可解释性也远不如传统marker基因验证路径。我的建议是可以用这些模型做初步的注释和预测但关键结论一定要回到常规分析流程里做交叉验证。6. 我在真实项目里踩过的坑和现在的推荐路径6.1 内存和算力的现实约束单细胞数据进入百万细胞级别后内存管理是第一个现实问题。Seurat在默认设置下处理20万细胞以上时速度明显下降有时指令执行后觉得卡死了其实是在等内存。Scanpy的AnnData基于h5py的稀疏存储结构对大规模数据友好得多。处理超大样本时我建议使用Scanpy配合Zarr格式做分块读取或者先用Harmony完成批次整合后用Leiden聚类这两步都做了并行化优化可以撑住主流的队列规模。GPU不是刚需但能提速有一个可见的好处是跑scVI或scGPT这类模型时训练时间从几天缩短到几小时。6.2 数据格式和版本依赖的坑R和Python两套生态互转是绕不开的坑。我遇到过一个具体问题用sceasy把Seurat对象转为AnnData时由于基因名存在重复比如线粒体基因MT-与核基因组重复符号转换后AnnData的var_names不唯一导致后续Scanpy的many操作报错。后来统一走zellkonverter转换、并先做var_names_make_unique()才解决。另一个常见问题是工具版本不一致Cell Ranger的参考基因组版本、Seurat版本、Scanpy版本之间偶发兼容性问题建议在项目开始时就把环境版本冻结用conda或docker做环境隔离避免跑完分析后因为版本问题无法复现。6.3 我推荐的入门路线如果拿到一套单细胞空间转录组的匹配数据我建议按这样推进先用Space Ranger和Cell Ranger把两家数据分别处理到表达矩阵用Seurat或Scanpy做单细胞的质控、聚类和注释得到相对可靠的细胞类型图谱然后把单细胞数据作为参考用cell2location对空间转录组做反卷积得到每个spot的细胞构成接着构建空间邻接图分析空间可变基因和生态位最后把单细胞和空间数据整合到同一个AnnData对象里结合病理区域标注做AI建模比如用图神经网络预测某个组织区域属于哪种病理状态。每走一步都回到原始切片图像上做一次视觉验证这是我认为整个流程中最重要的工作习惯。最后分享一点个人体会单细胞和空间转录组的技术栈已经不再高不可攀但真正的门槛不是跑通流程而是每次分析都能守住生物学直觉。多组学整合和AI建模只是放大镜放大的是数据里的真实信号同样也会放大数据里的噪声和批次假象。如果你在做类似项目时遇到拿不准的质控阈值或者整合结果和新数据对不上多半是某个环节的信号失真了回头从QC开始逐层排查往往比继续加模型更管用。