1. 单细胞分析标准化：消除技术噪音的关键一步

当你拿到单细胞测序数据时，第一眼看到的原始计数矩阵就像是一堆未经加工的原材料。这些数字不仅包含了真实的生物学信号，还混杂着各种技术噪音。标准化就是要把这些"原材料"加工成可比较的数据形式，让后续分析能够真实反映生物学差异。

我刚开始接触单细胞分析时，常常困惑为什么不能直接用原始计数做分析。后来在实际项目中踩过坑才明白，如果不做标准化，测序深度高的样本会完全主导分析结果。比如一个细胞因为技术原因测到了两倍的reads，它的所有基因表达量看起来都会翻倍，但这与真实的基因调控毫无关系。

在Scanpy中，最常用的标准化方法是CPM（Counts Per Million）的变体：

import scanpy as sc
# 将每个细胞的计数总和标准化为10,000
sc.pp.normalize_total(adata, target_sum=1e4)
# 对数据进行log1p转换（log(x+1)）
sc.pp.log1p(adata)

这里有几个关键点需要注意：

1. target_sum的选择：10,000是个常用值，相当于把每个细胞的reads数缩放到相同的"总量尺"。但如果你处理的是超高测序深度的数据，可能需要适当调高这个值。
2. log转换的重要性：单细胞数据的方差通常会随着均值增大而增大（异方差性）。log转换可以稳定方差，使高表达基因不至于完全主导下游分析。
3. 保存原始数据：标准化后的数据会被覆盖，所以最好先把原始数据保存到adata.raw中，这对后续的差异表达分析特别重要。

在实际操作中，我遇到过标准化后某些细胞群仍然特别分散的情况。这时候可能需要考虑更复杂的标准化方法，如SCTransform或基于深度学习的归一化。不过对于大多数新手来说，CPM+log1p的组合已经能解决80%的问题了。

2. 特征选择：从基因海洋中捞出真正的信号

做完标准化后，我们通常会面对一个包含2-3万个基因的数据矩阵。但你知道吗？其实只有其中10-20%的基因真正携带了区分细胞类型的信息。特征选择就是要找出这些"信息量最大"的基因，也就是高变基因（HVG）。

为什么不能直接用所有基因？我举个生活中的例子：假设你要从1000个应聘者中挑选程序员，如果对所有专业（美术、音乐、体育等）的人都用同样的编程题测试，效率会很低。更好的做法是先筛选出计算机相关专业的应聘者，再重点考察他们的编程能力。

在单细胞分析中，Scanpy提供了非常方便的高变基因筛选功能：

# 识别高变基因
sc.pp.highly_variable_genes(
    adata,
    min_mean=0.0125,
    max_mean=3,
    min_disp=0.5
)
# 可视化高变基因
sc.pl.highly_variable_genes(adata)
# 只保留高变基因
adata = adata[:, adata.var.highly_variable].copy()

这三个参数控制着筛选的严格程度：

• min_mean/max_mean：定义了基因平均表达量的上下限。太低的可能测不准，太高的可能看不太出差异。
• min_disp：控制离散度（dispersion）的阈值，离散度越高说明基因在不同细胞间的表达差异越大。

我常用的调试技巧是：先跑一遍默认参数，看看高变基因的散点图分布。如果发现高变基因太少（比如不到1000个），可以适当降低min_disp；如果太多（比如超过5000个），可能需要提高min_disp或缩小mean的范围。

记住，特征选择的质量直接影响后续的降维和聚类效果。如果发现聚类结果不理想，不妨回到这一步重新调整参数。

3. 降维的艺术：把高维数据压缩到人类可理解的维度

当我们筛选出2000-3000个高变基因后，数据仍然处于一个人类无法直接理解的高维空间。降维的目的就是把这些信息压缩到2-3维，同时尽可能保留重要的生物学差异。

主成分分析（PCA）是最常用的线性降维方法。它就像是用一个特殊的相机，从最能显示差异的角度给数据拍照。在Scanpy中运行PCA非常简单：

# 数据缩放（零均值，单位方差）
sc.pp.scale(adata, max_value=10)
# 运行PCA
sc.tl.pca(adata, svd_solver='arpack')
# 查看方差解释比例
sc.pl.pca_variance_ratio(adata, log=True)

这里有几个实用技巧：

1. max_value=10：这个参数可以防止极端值对缩放结果产生过大影响。相当于设置了一个上限，超过10的值都会被截断。
2. svd_solver的选择：'arpack'适合大多数情况，如果数据特别大（>10万细胞），可以考虑使用'randomized'。
3. 主成分数的选择：通常看PCA方差解释率的"拐点"（elbow point）。我一般会保留到累计解释率达到70-80%的主成分。

PCA之后，我们通常会使用UMAP或t-SNE进行非线性降维，以便可视化：

# 计算邻域图
sc.pp.neighbors(adata, n_neighbors=15, n_pcs=30)
# 运行UMAP
sc.tl.umap(adata)
# 可视化
sc.pl.umap(adata, color=['n_counts', 'percent_mt'])

UMAP有两个关键参数需要关注：

• n_neighbors：控制局部结构的保留程度。值越小，局部结构越精细；值越大，全局结构越完整。对于异质性强的数据集（如免疫细胞），我通常用较小的值（10-15）；对于较均质的数据（如某种肿瘤细胞），可能用较大的值（30-50）。
• n_pcs：指定使用多少个PCA主成分作为输入。一般用前面确定的PC数，通常30-50就够了。

记住，降维可视化只是工具，不同参数会呈现数据的不同侧面。我建议新手多尝试几组参数，对比观察结果。

4. 聚类分析：发现细胞群体的自然分组

聚类是单细胞分析最激动人心的环节——我们终于能看到数据中隐藏的细胞亚群了！Scanpy默认使用Leiden算法，这是对经典Louvain算法的改进版，能产生更稳定的聚类结果。

基础聚类代码非常简单：

# 运行Leiden聚类
sc.tl.leiden(adata, resolution=0.8)
# 可视化
sc.pl.umap(adata, color='leiden', legend_loc='on data')

但魔鬼藏在参数里：

• resolution参数：这是控制聚类细粒度的关键。resolution越小，得到的cluster越少、越大；resolution越大，cluster越多、越小。我常用的调参策略是：从0.5开始，每次增加0.2，直到cluster数量与预期相符。

如何判断聚类质量？我有几个实用checklist：

1. 观察UMAP图上cluster的分离程度：好的聚类应该在各cluster间有明显的间隙。
2. 检查每个cluster的细胞数量：要警惕出现大量极小cluster（<10个细胞），这可能是过度聚类。
3. 查看已知标记基因的表达模式：同一cluster的细胞应该有相似的标记基因表达。

当聚类结果不理想时，可以尝试以下调整：

• 回到特征选择步骤，增加或减少高变基因数量
• 调整降维使用的PC数
• 改变聚类算法（如尝试Louvain或层次聚类）
• 使用不同的resolution值

5. 可视化与初步注释：从聚类到生物学意义

得到聚类结果后，我们需要回答一个关键问题：这些cluster对应什么细胞类型？这时候就需要结合标记基因进行注释。

假设我们分析的是PBMC（外周血单个核细胞）数据，可以这样定义常见免疫细胞的标记基因：

marker_genes = {
    'T细胞': ['CD3D', 'CD3E'],
    'B细胞': ['CD79A', 'MS4A1'],
    'NK细胞': ['NKG7', 'GNLY'],
    '单核细胞': ['CD14', 'LYZ'],
    '树突状细胞': ['FCER1A', 'CST3']
}

Scanpy提供了多种可视化方式：

# 在UMAP上叠加标记基因表达
sc.pl.umap(adata, color=['leiden'] + marker_genes['T细胞'])
# 点图展示各cluster的标记基因表达模式
sc.pl.dotplot(adata, marker_genes, groupby='leiden')
# 热图展示
sc.pl.heatmap(adata, marker_genes, groupby='leiden')

在实际项目中，我通常会：

1. 先用已知标记基因进行初步注释
2. 对无法明确注释的cluster，使用sc.tl.rank_genes_groups找出差异表达基因
3. 将这些差异基因与数据库（如CellMarker或PanglaoDB）比对
4. 必要时使用自动注释工具（如SingleR或scPred）辅助判断

记住，细胞注释是一个迭代过程。随着分析的深入，你可能需要调整聚类resolution，甚至回到前面的标准化步骤重新处理数据。