单细胞测序里零膨胀校正与双细胞剔除被跳过时脑缺血标志物有多可信
单细胞测序流水线里，有两类噪声坐在最前面、安静地影响所有下游结论。一类是“假零”，基因没被捕获到，被记成零表达，但它并不是真的沉默。另一类是双细胞（doublet），两个细胞粘在一起被当成一个分析，产出的转录本是两种细胞的混合信号。这两个问题不处理，或处理了但没报告，后续的差异表达、调控网络、机器学习标志物都建在可疑的地基上。这批文献恰好从三个角度落在同一条流水线上。
零膨胀背后的转录爆发动力学
scRNA-seq 数据普遍存在零膨胀（zero inflation）问题，Yang 等人把它说清楚了：传统模型要么忽略零膨胀，要么无法捕捉转录爆发（transcriptional burst）驱动的双峰分布，基因调控推断因此产生系统性偏差（PMID: 42789681）。转录爆发是基因表达的随机开关机制，基因在“开”状态下密集产出 mRNA，在“关”状态下静默，这会在细胞群体里产生真实的双峰分布：有一批细胞这个基因确实不表达，有一批在活跃表达。问题是，技术性的捕获失败和真实的基因沉默都表现为读数零，传统模型无力区分，估计出来的转录爆发参数因此有系统性偏差。
他们开发的零膨胀电报模型（zero-inflated telegraph model）把技术性零的校正和基因状态随机切换的动力学整合到一起，在合成数据、狼疮患者 scRNA-seq、乳腺癌患者 scRNA-seq 以及小鼠胚胎干细胞数据上进行了系统验证（PMID: 42789681）。模型能准确拟合包括双峰模式在内的 mRNA 分布，同时避免过拟合。在差异表达检测上，小样本场景里的优势尤为明显；传统方法漏掉的疾病相关基因里，狼疮相关的是 LDLR 和 GZMB，乳腺癌相关的是 FAIM2 和 VDR（PMID: 42789681）。
用传统方法做出来的部分差异表达结论，在特定基因上需要重估。这篇文章目前基于 scRNA-seq 数据开发和验证，在其他单细胞组学数据类型上是否同样适用，没有答案。
HeartMap 247 万细胞：Xoublet 的速度与判别力
双细胞检测是质控里另一道关。Xu 等人的 Xoublet 算法把数据投影到 PCA 空间后模拟双细胞，构建层次树加速近邻搜索（PMID: 42781809）。在包含 2,479,674 个细胞的 HeartMap 心脏图谱数据集上，Xoublet 完成打分耗时 574.8 秒，峰值内存 4.14 GiB；Scrublet 核心在相同数据上耗时 1060.6 秒、22.81 GiB（PMID: 42781809）。速度快了将近一倍，内存降到原来的五分之一左右。
判别力那一侧不一样平整。在人-鼠混合基准和外周血单核细胞基准上，Xoublet 不如 Scrublet；在细胞系 Cell Hashing 基准上两者表现相当（PMID: 42781809）。该研究坦承，Xoublet 对特定细胞状态的检出率和敏感性仍然依赖数据本身的特征。这是一个明确的权衡而不是全面超越：百万级心脏图谱场景里速度是硬约束，Xoublet 有明显优势；如果数据集规模不大、核心关注点是稀有细胞类型的准确鉴定，这个选择就需要重新评估。HeartMap 上那部分比较没有独立注释好的 ground truth，结论本身也带着不确定性。
Itgb1、Fn1 与 AUC=1 的置信边界
Qian 等人的脑缺血再灌注损伤（CIRI）研究代表了当下主流的分析模式：从 GEO 数据库取公开数据，用 Seurat 处理单细胞部分，Boruta 算法、LASSO 回归和随机森林三个方法联合筛标志物（PMID: 42791187）。单细胞分析显示，细胞黏附相关基因（CARGs）活性在内皮细胞、平滑肌细胞和星形胶质细胞中最高。最终筛出四个标志物：Itgb1（整合素 β1）、Fn1（纤维连接蛋白 1）、Pdlim5、Kdr，据报告在多个数据集上 AUC=1（PMID: 42791187）。
AUC=1 是个需要停下来问一句的数字。测试集上跑出完美得分，要么任务过于简单，要么存在数据泄漏，要么测试样本极小偶然为之。摘要里没有训练集和独立测试集的划分细节，也没有外部独立验证队列的信息，无法评估这个数字的稳健性。Itgb1 和 Fn1 在缺血损伤机制里有文献基础，四个基因的生物学合理性不成问题。问题是 AUC=1 这个数字单独撑不起“临床诊断标志物”的说法，需要的是独立样本的湿实验验证，而不是换一个 GEO 数据集重跑相同流程。
摘要里没有明确报告零膨胀校正或双细胞剔除步骤，这不等于说没做，但没有报告就意味着读者无法评估这两个上游污染源对结果的影响有多大。Yang 等人的结果已经说明传统方法在特定基因上会漏掉差异表达；Xu 等人的工作说明双细胞污染在大规模数据上是可见且可量化的问题。三件事放在一起，结论不复杂：scRNA-seq 流水线的可信上限由前段质控决定，AUC 能说明多少，取决于前面的步骤是否做到位、是否明确报告。这不只是这一篇文章的问题，是整个 scRNA-seq 生物标志物文献的通病。
- Single-Cell and Bulk RNA-Seq Profiling Identifies Cell Adhesion-Related Gene Signatures in Cerebral Ischemia-Reperfusion Injury.，eNeuro（PMID: 42791187）
- Integrating zero-inflation correction and transcriptional kinetics for single-cell transcriptomic analysis.，PLoS computational biology（PMID: 42789681）
- Xoublet: An Extreme-Scale Doublet Detection Algorithm for Cardiac Single-Cell Transcriptomics.，Journal of computational biology : a journal of computational molecular cell biology（PMID: 42781809）