scRNA-seq流水线默认读段干净、批次均质，这两个假设都靠不住

2026-09-03·碱基·生信方法

单细胞RNA测序（single-cell RNA sequencing，scRNA-seq）的分析流程里有两个被长期默认成立的假设：其一，送进比对器的读段（read）在结构上是完整有效的；其二，不同细胞类型所受的批次效应（batch effect）程度相近，可以统一校正。这两个假设都从来没有被系统验证过，而两篇新出的方法论文分别在这两处给出了有据可查的反驳。

结构缺陷读段催生的假条形码

标准定量工具把测序错误等同于碱基错配，只在这个层面做质控。Su等人指出，还有一类错误完全不是碱基替换的问题：读段因非特异性扩增或脱靶引发（off-target priming），缺失了必要的锚定基序（anchor motif），比如poly(T)尾、接头序列（linker）或模板转换寡核苷酸（template-switching oligo）。这类结构缺陷的读段照样产生条形码（barcode）和唯一分子标识符（UMI），被软件计入细胞计数，最终体现为假细胞（PMID: 42586759）。Pattern-Filter把结构检查提到比对之前，识别平台特异的锚定序列，同时过滤条形码和UMI区域里含有非标准碱基的读段。在跨多个主流测序平台的评估中，被过滤的读段占总量的2%–18%，假条形码（spurious barcode）的多样性最高下降了80%（PMID: 42586759）。这个不对称比例说明，少量结构有问题的读段集中贡献了绝大部分技术噪声。

小鼠纹状体数据在过滤前，多巴胺能神经元（dopaminergic neuron）在聚类里不可见；过滤后，这类细胞重新出现（PMID: 42586759）。不是微调参数带来的微小改善，是整个细胞群体从噪声里被找回来。

2%–18%的过滤比例跨度不小，在具体数据上落在哪里只能实际跑一遍才知道。Pattern-Filter目前还没有经过系统的独立基准测试，方法本身的评估均来自原作者。

COBRA对批次效应异质性的建模

多批次整合是多中心研究的必经步骤，而主流工具多数在降维空间里操作，默认批次效应对所有细胞类型的施加程度相近。Seo等人认为这个假设在实际数据里经常不成立：不同细胞类型对批次变量（操作人员、试剂批次、捕获平台）的响应幅度可以差异显著（PMID: 42684056）。

COBRA 在全基因表达矩阵上建线性模型，把批次相关参数与生物学变量做正交化处理，针对每种细胞类型估计并去除各自的批次效应。校正后保留原始基因维度，不需要把数据压进低维空间。当细胞类型标注缺失时，COBRA用迭代聚类估计伪细胞类型（pseudo-cell type），边聚类边消除批次干扰，逐步收敛。这个设计在实际操作中很实用，因为真实项目往往是先整合再做注释，拿不到现成的细胞类型标签。

在2型糖尿病和COVID-19真实数据集上，COBRA在批次混合效率、生物学群体结构保留以及差异表达基因（differentially expressed gene，DEG）检测准确性上均优于对比方法（PMID: 42684056）。但测评由方法作者自己完成，对比工具的参数设置与选择会左右结论，等待独立评估。线性模型本身也有边界：如果批次效应与细胞状态之间存在复杂的非线性交互，这套校正逻辑不太适用。目前的评估数据集以人类样本为主，其他物种或更复杂的多批次设计上的表现有待确认。

100,000张HEp-2细胞周期图像的标注逻辑

细胞周期状态是scRNA-seq分析里的常见混淆变量，而可靠的地面真值（ground truth）本身就难以建立。Hiemann等人公开了一套基于图像的细胞周期数据集：用DAPI染色的HEp-2细胞，在20×放大倍率下拍摄，先由专家手工将10,000张图标注到五个时相（间期、前期、中期、后期、末期），以及伪影和多细胞两个附加类别；以此训练VGG16模型后，模型对后续图像做预分类，再经两位专家双盲复核，最终积累到100,000张（PMID: 42680767）。数据集面向开发细胞周期检测算法的方向，定位是基准测试资源。HEp-2是上皮瘤细胞系，形态特征不能直接代表原代细胞；数据来自单一平台和单一放大倍率，跨设备的泛化性尚不明确。

scRNA-seq批次效应校正读段质控单细胞转录组细胞周期标注