6.4 组学技术与高通量分析

6.4 组学技术与高通量分析

本节摘要：发育生物学想"看全一幅蓝图"，过去只能一块块拼，现在用组学技术一次量出成千上万个细胞各自的分子状态。单细胞测序（scRNA-seq）把"细胞异质性"摊开成一张张相册，空间转录组学给它补回空间坐标，蛋白质组学再告诉你在转录之上还有一层更靠近功能的调控。本节用一个小 PCA + 聚类模拟，展示"从几万个细胞里自动分出细胞类型"是怎么算出来的。

本节目标

阅读完本节，你应当能够：

1. 说明单细胞测序把"组织的平均表达"变成了什么、又牺牲了什么。
2. 解释空间转录组学如何解决"细胞在哪"的信息。
3. 指出转录组与蛋白质组两把尺度的落差意味着什么。
4. 在你自己的数据里，复现"降维 → 聚类 → 注释细胞类型"这条标准流水线。

甲、把"平均值"打碎：单细胞测序为什么革命性

传统分子手段送来的是一锅"平均汤"：拿一整块组织提 RNA，得到的是成千上万细胞的混合信号。里面如果混着一个稀有但关键的先祖干细胞，它的信号会被稀释到几乎看不见。单细胞测序的颠覆在于——它把酶切后的单个细胞分别加条形码、分别建库，测出"每个细胞自己的一套转录组"。异质性从"误差"变成了"数据"，这正是细胞命运决定研究求之不得的：原肠胚那样一块在被不断重编程的细胞群，过去只能看到平均，现在能逐格看到谁在往哪条路走。

代价同样真实：每个单细胞的测序深度都远低于整盒测序，属于"稀疏高噪"数据；很多基因在单个细胞里常常一滴也测不到（常称"掉零"）。所以后续所有分析，本质都是在跟稀疏和噪声角力。

乙、自动找细胞类型：降维与聚类流水线

拿到几万个细胞的表达矩阵，麻烦是维度太高（上万基因）。好在高维空间里表达模式是"团"在一起的——同一命运、同一状态的细胞靠得近。于是标准套路是两步：先降维（PCA 把重复结构压缩成少数主成分，再落到 UMAP 看见平面上的"团"），再聚类（把团正式切出来），最后注释（看每个团里有哪些标记基因，给它贴上"什么细胞"的标签）。

我用一个很小的数值例子，把从"随机表达"到"长出三坨细胞"的过程演给你看——它复刻了最内核的计算（PCA 投影 + 简单聚类），只是把离群点、批次、深度差异这些真实世界的脏东西留给真实软件去处理。

import numpy as np
from numpy.linalg import eigh

rng = np.random.default_rng(0)
n_cells, n_genes = 600, 50
types = [0]*200 + [1]*200 + [2]*200      # 想看三种细胞类型（状态）
types = np.array(types)
X = rng.normal(0, 1, (n_cells, n_genes)) # 每类共享部分基因的偏移
offset = np.array([[1.0]*20 + [0]*30,
                   [0]*10 + [1.0]*20 + [0]*20,
                   [0]*20 + [1.0]*15 + [0]*15])
X = X + offset[types]

# 1) PCA：取前2主成分
Xc = X - X.mean(axis=0)
cov = Xc.T @ Xc / n_cells
w, V = eigh(cov)
order = np.argsort(w)[::-1]
V2 = V[:, order[:2]]
P = Xc @ V2

# 2) 简化聚类：把所有点投到第一个主成分上，再按大小分桶——看看能否区分三类
score = P[:, 0]
# 模拟"标记基因"打分：真正软件看特定基因，这里直接看类别是否可分
for k in range(3):
    sub = P[types == k, 0]
    print(f"类型 {k}: 主成分1均值 {sub.mean():.2f} ± {sub.std():.2f}")
​

跑出来你会看到三个类型的均值在这一根轴上已经明显分开——这意味着即使不画平面图，单靠 600 个细胞、50 个基因、一次 PCA，三类"命运"就能粗略分出来。真实数据集里，这一步的升级版（UMAP + 层次聚类）每天在成千上万个发育谱系里被重复执行，目的始终一样：用数据的几何结构，反推细胞的发育身份。

💡 关键直觉：把"找细胞类型"想象成"在人流摊开的操场里找自然聚成的小圈子"——降维是戴上广角镜把拥挤的平面摊开，聚类是给每个圈子画界线。发育研究之所以依赖它，是因为命运决定往往藏在异质性里，而 Get 平均均值恰恰抹掉异质性。

丙、补回坐标：空间转录组学

但单细胞测序抛掉了空间。发育是"谁在哪个位置读哪个信号"的事件，坐标丢了，蓝图就少了半边。空间转录组学的菜单很宽：有的（如原位测序）逐点测出局域转录组再拼回切片；有的（如生成 barcode 阵列的平台）把切片印在有序的点阵上，让每格保留"它来自胚胎的哪一块"。于是你可以看到：一个基因的梯度不是只存在于理论上，而是真真切切铺在胚胎切片上，从高到低逐渐变化。第 2 章我们讲 morphogen 梯度是"相信会有"的，空间组学让你眼睁睁看到。

丁、转录之上还有一层：蛋白质组学

转录本到蛋白还要过翻译调控、降解调控。一个基因就算 mRNA 很多，蛋白未必多；而真正干活的是蛋白。蛋白质组学（质谱为主）测出细胞里最终攒下哪些蛋白、做了哪些修饰（如发育里关键词的磷酸化与泛素化，见第 3 章信号转导）。它灵敏度与覆盖率都低于 RNA 测序，单细胞分辨率也更难做，却逼近功能的真相。最能说明问题的是"转录-蛋白不一致"：很多已知基因，mRNA 波动不大，蛋白却在不同细胞命运里天差地别。

戊、组学怎么和本册其它章节咬合

• 与第 3 章（细胞命运决定）：单细胞轨迹推断（把细胞按"过渡状态"排序成拟时序）几乎成了"谁先谁后分化"的标准取证手段。
• 与第 5 章（再生）：在再生的断肢/损伤肝里，用单细胞谱系追踪看祖细胞往哪条路走。
• 与第 7 章（演化发育）：跨物种单细胞图谱比较同源细胞类型，把"蓝图只见"落到转录水平。

组学把"一个细胞在职某时点听到、正在执行什么"变成了一张张可下载的表。下一步我们谈这些数据怎么变成会推理的模型——那是生物信息学与计算建模的地盘。

本节小结

• 单细胞测序：把组织平均打碎成每个细胞自己的转录组，异质性成为数据。
• 降维聚类：PCA/UMAP 降维 + 聚类 + 标记基因注释，是找细胞类型的标准流水线。
• 空间转录组学：给转录组补回空间坐标，让分子梯度"看得见"。
• 蛋白质组学：落在转录之上，逼近功能真相，且常与 mRNA 不一致。
• 全书咬合：轨迹推断喂给第 3 章命运决定、第 5 章再生、第 7 章跨物种比较。

图 6-4 单细胞流水线：表达矩阵 → 降维 → 聚类 → 注释