企业官网建设流程全解析

单细胞测序的系列推文写到第五篇，前面的数据质控、标准化、高变基因筛选这些“地基”工程大家都已经打好了，今天终于到了整个流程里最出彩、也最让人兴奋的部分——把几万个细胞在二维平面上画出来，然后找出每个群的“身份证基因”，也就是我们常说的marker基因。这一步做完，你手里的数据才算真正开始“说话”，细胞类型注释、功能分析、拟时序分析等后续工作才能铺开。

t-SNE聚类和marker基因寻找，可以说是单细胞数据分析从“数据预处理”跨入“生物学解读”的转折点。很多刚接触单细胞的小伙伴做到这一步经常一头雾水：RunTSNE、FindClusters、FindAllMarkers这些函数到底按什么顺序跑？参数一堆，到底怎么调？跑出来的图细胞都糊成一团怎么办？marker基因一大堆，该怎么挑？这篇文章我会把整个流程从原理到实操完整走一遍，把每一步为什么这么做、参数怎么选、踩过的坑有哪些，全都摊开讲清楚。

这篇内容适合两类读者：一类是已经跑通了上游流程、正准备做聚类注释的单细胞入门选手；另一类是做了几次但总觉得结果不太对、想回头搞清楚原理的分析人员。我会以Seurat包为例，主流程跑一遍t-SNE聚类和marker基因鉴定，同时穿插一些R语言代码细节，让大家可以直接在本地复现。

1. 整体设计与思路拆解

1.1 单细胞数据为什么要降维和聚类

单细胞转录组测序（scRNA-seq）一次实验通常能拿到数千到数万个细胞，每个细胞我们检测到的基因数在小几千到上万之间。如果把每个细胞看成一个样本，每个基因看成一个维度，那我们手里的数据就是一个“细胞数 x 基因数”的高维矩阵。拿10x平台的数据来说，常见的矩阵规模是5000个细胞 x 20000个基因，这个维度处理起来问题很大。

第一个问题是计算量。直接在两万维空间里算细胞两两之间的距离，矩阵大小是5000x5000，还能忍；但如果是十万个细胞，十万乘十万的距离矩阵就是100亿个元素，内存直接爆掉。第二个问题更重要——生物学信号被淹没在噪声里。两万个基因里，真正能区分不同细胞类型的可能只有几百个，剩下的大部分基因表达水平在各类细胞间差异不大，它们的存在反而会稀释真正的差异信号。

所以我们需要两步操作：第一步是降维，把高维数据压缩到几十个“主成分”里，把最关键的信息提取出来；第二步才是聚类，在压缩后的低维空间里找到细胞之间的“天然分群”。t-SNE就是最常用的降维可视化方法之一，配合聚类算法（在Seurat里默认是Louvain算法）使用，能够在二维平面上直观展示细胞群体结构。

1.2 为什么用t-SNE而不是直接PCA或UMAP

很多新手会问，PCA不是已经能降维了吗，为什么还要t-SNE？这个问题的关键在于：PCA是线性降维，t-SNE是非线性降维，两者的目标完全不同。

PCA追求的是“保留数据整体的方差”，它擅长捕捉主要的线性结构，比如不同处理组之间的整体差异，但对局部结构不敏感。打个比方，PCA像站在山顶看城市全貌，能看清城市的大致轮廓和主干道，但看不到街道里具体哪户人家。t-SNE则相反，它更关注“相邻细胞的局部关系”，目标是让高维空间中相近的点在二维平面上也靠得近，原本离得远的点在图上就远。这就像走进街区，虽然看不到城市全貌，但每条巷子、每栋房子的关系清清楚楚。

实际分析中两个都是用，但分工不同：PCA的结果作为t-SNE和聚类的基础，t-SNE（或者UMAP）则负责最后可视化呈现。至于为什么不直接用UMAP，我的看法是：t-SNE在单细胞数据里被验证的时间最长，社区积累的经验最丰富，你的数据团分得开分不开、marker基因找得对不对，很多老经验都是基于t-SNE图形总结出来的。UMAP速度快、全局结构保真度更高，也可以作为补充展示，但分析流程的主干用t-SNE更稳妥，尤其是对新手来说，遇到问题更容易找到参考资料。

2. 核心细节解析与实操要点

2.1 t-SNE的四个关键参数

t-SNE算法本身并不复杂，但参数对结果影响极大。很多人跑t-SNE时图不好看，八成不是数据问题，而是参数没调对。

perplexity（困惑度），这是最核心的参数，它控制算法认为每个细胞周围有多少个“邻居”。Seurat默认值是30，但对单细胞数据来说，30往往偏小。如果perplexity太小，结果容易出现小碎群，看起来像“撒了一把豆子”；如果偏大，则各群可能挤在一起分不开。我的习惯是先用30跑一遍，如果图形过于破碎增加到50，如果太糊就降到20，一般三轮以内能找到合适值。需要注意，perplexity值不应大于细胞总数的三分之一，否则算法会报错。

iterations（迭代次数），默认值是1000。t-SNE是通过不断迭代优化代价函数来获得最终布局的，迭代太早停止，图形还没稳定，细胞排列会很乱，看起来像一团噪声。如果跑了1000轮仍然不稳定（可以从输出信息看到cost function是否还在下降），可以增加到2000甚至3000。

learning rate（学习率），Seurat里对应的是eta参数，默认是200。学习率决定了每次迭代的步长，值太大细胞会挤成一条线或塌缩成一团，值太小收敛极慢。如果图看起来一团乱麻，可以考虑把eta调小到100或者调大到500试试。

theta（近似度），这是Barnes-Hut加速算法的参数。theta为0时是精确计算，但速度很慢；默认0.5时计算速度快，但会有一定近似。十万级以上的细胞用0.5没问题，小样本（几千细胞）建议设成0，出图更精确。

参数调起来确实有“手感”成分，我的建议是：不要追求一次到位，先跑一版默认参数，看一眼图再定向微调。这比从零摸索快得多。

2.2 FindClusters的resolution到底怎么选

聚类这一步的核心函数是FindClusters，里面最关键的参数是resolution（分辨率）。这个值直接决定了你最终会得到多少个细胞群。

Seurat的聚类流程是基于共享最近邻（SNN）图，再用Louvain算法对图进行划分。resolution控制的是划分的“粒度”，值越大，分出来的群越多。默认值是0.8，得到的群数通常在10~20个。对一般组织样本来说，这个范围是合理的，因为一个组织里常见的细胞类型也就十几种。但具体到自己的数据，你需要根据marker基因的结果反复试验。

分辨率太小，不同类型的细胞可能被合并成一个群，比如T细胞和NK细胞表面marker基因表达模式接近，cluster分辨率不足时很容易被划到同一群里；分辨率太大，同一个细胞类型会被人为拆成好几个群，增加了下游注释负担。我的经验是做一个“分辨率扫描”：分别用0.4、0.6、0.8、1.0、1.2跑一遍，把结果导出来对比每个群的marker，找出那种“既能把已知细胞类型分开、又不会把同一类细胞拆碎”的分辨率。虽然多花点时间，但这一步做好了，后面注释会顺利很多。

2.3 marker基因的统计检验逻辑

找marker基因的标准做法是FindAllMarkers，但很多人只关注返回了哪些基因，却不清楚这些检验结果的生物学含义。这里有个重要概念：marker基因的判定是靠统计检验完成的。

Seurat默认使用Wilcoxon秩和检验（非参数检验），比较目标群细胞的基因表达量与其他所有细胞的差异。输出结果里有几个关键列：avg_log2FC表示两组间表达差异的log2倍数值，p_val是检验的显著性p值，p_val_adj是多重假设检验校正后的p值，pct.1和pct.2分别是该基因在目标群和其余群中检测到的细胞比例。

这里特别要注意的是p_val_adj。因为每个基因都做一次检验，两万个基因就要做两万次，在这么多重检验下，p值本身几乎没有参考价值，必须看校正后的p_val_adj。我一般只保留p_val_adj < 0.05且avg_log2FC > 0.58（也就是表达倍数变化大于1.5倍）的基因作为候选marker，同时要求pct.1和pct.2的差距足够大。为什么要求这个差距？简单说，如果一个基因在目标群80%细胞里表达，但在其他群67%细胞里也表达，即便差异检验显著，用它来定义细胞类型也不可靠，因为特异性不够。

3. 实操过程与核心环节实现

3.1 从Seurat对象到PCA降维

为了让大家有完整的参照，我先假设你已经拿到了质量控制后的Seurat对象，名字叫scobj。这个对象里有原始计数矩阵、经过标准化后的数据，以及高变基因信息。如果你是从上游直接跑过来的，代码会类似这样：

library(Seurat) scobj <- NormalizeData(scobj) scobj <- FindVariableFeatures(scobj, nfeatures = 2000) scobj <- ScaleData(scobj)

单细胞分析的后续步骤如PCA、聚类、t-SNE等，通常只针对高变基因进行计算。为什么要这样？因为高变基因是细胞间差异最大的那批基因，它们承载了区分细胞类型的主要信息；而大量在几乎所有细胞里表达水平一致的“管家基因”在分群中起不到区分作用，反而会拖慢计算、稀释信号。

接下来跑PCA：

scobj <- RunPCA(scobj, npcs = 50, features = VariableFeatures(scobj))

RunPCA之后，怎么决定用多少个主成分？这个问题的答案，直接决定了后续聚类和t-SNE的效果。如果主成分数太少，会丢失稀有细胞类型；太多，又会引入噪声，让聚类结果变乱。Seurat提供了两种辅助判断方式：一是ElbowPlot(scobj)会画出每个主成分解释方差的百分比，找“拐点”——曲线急剧下降后趋于平缓的位置，一般取拐点之前的主成分数量；二是JackStraw方法，通过置换检验找出显著的主成分，对小数据集更可靠，但计算量大一些。

实际操作中我用PC数一般在10~30之间。十来个主成分的时候，t-SNE图的每个群还相对松散；增加到二十个以上，分群更清晰，稀有细胞群也更容易被识别出来。如果数据集的细胞类型比较丰富（比如免疫细胞、基质细胞、上皮细胞共存的肿瘤样本），我建议往高里选，用20或更多。确定好PC数后，就进入主题流程。

3.2 t-SNE聚类分析批量跑法

在Seurat里面，聚类和t-SNE的代码并不长，但先后顺序有讲究：必须先聚类，再跑t-SNE。因为FindClusters是基于PCA降维后的数据在“原来的高维空间”计算细胞间的SNN图，而t-SNE只是将聚类结果可视化到二维平面，它不会影响聚类结果本身。

# 先聚类，resolution可以先给0.8 scobj <- FindNeighbors(scobj, dims = 1:20) scobj <- FindClusters(scobj, resolution = 0.8) # 再跑t-SNE scobj <- RunTSNE(scobj, dims = 1:20, perplexity = 30, seed.use = 42) # 可视化 DimPlot(scobj, reduction = "tsne", label = TRUE)

这里有个细节：FindNeighbors的dims参数需要和RunTSNE的dims一致，否则你聚类和可视化用到的数据不是同一套，逻辑上就不对。另外，t-SNE算法的随机性很强，每次跑结果可能略有不同，所以一定要设置随机种子。我用的是seed.use = 42，这个数字本身没有特殊意义，关键是固定下来，保证结果可复现。

跑完之后用DimPlot画图，正常情况下你会看到若干个细胞团。这里我要提醒一句：第一眼看到t-SNE图觉得“很不错”或“很糟”都没关系，因为t-SNE是可视化工具，不是结果判定的唯一标准。真正判断分群好坏要靠marker基因，这个后面详细说。

值得注意的是，Seurat还有一个函数叫RunTSNE，默认返回的是二维结果；如果你需要三维t-SNE图，可以设置dim.embed = 3，然后用DimPlot绘制。三维图在某些场景下确实信息量更大，比如有多个相似的细胞亚群相互嵌套时，二维投影可能会把它们叠在一起，而三维可以帮助区分。不过目前主流发表文章还是以二维展示居多，三维图更多用于内部辅助判断。

3.3 聚类效果评估与可视化组合

聚类跑完之后，第一步不是急着找marker，而是先做一轮“人工检查”，看看t-SNE群和细胞数量的分布。

# 看看每个群有多少细胞 table(Idents(scobj)) # 看看有没有某两个群离得特别近 DimPlot(scobj, reduction = "tsne", label = TRUE, label.size = 5)

这一步能帮我发现几个潜在问题。比如某个群细胞数极少（比如只有几十个），这可能是一个稀有细胞类型，也可能是数据质量差导致的假群，需要后续重点检查；再比如两个群在图上几乎是合并状态，边界完全模糊，那可能是分辨率太低，也可能是这两个群本身就是同一种细胞的连续状态。此时我会去检查它们之间是否有差异表达的marker基因，再决定是否需要提高分辨率重新聚类。

同时建议用FeaturePlot把已知的细胞类型marker画在t-SNE图上，做一次“快速对表”。比如你要分析的是外周血样本，那就可以检查CD3D（T细胞）、CD14（单核细胞）、MS4A1（B细胞）、NKG7（NK细胞）等经典的marker在t-SNE上的表达分布。如果某个已知marker只在一个群或者少数几个群中高表达，并且图案清晰边界分明，说明聚类结果可信；如果marker到处都是，或者多个群都强表达，那就要警惕聚类过度或数据混入异常细胞。

FeaturePlot(scobj, features = c("CD3D", "CD14", "MS4A1", "NKG7"), reduction = "tsne", ncol = 2)

FeaturePlot画出来的点图上每个点代表一个细胞，颜色深浅代表该基因表达量的高低。在t-SNE图里，基因高表达的细胞如果呈现出“两头翘”的分布，通常是正常的；但如果高表达细胞分散在各个群、没有明显聚集，这个基因可能不是一个好的群marker，需要谨慎使用。

3.4 FindAllMarkers与FindMarkers的实操代码

当你对聚类结果满意之后，进入找marker基因环节。最常用的函数是FindAllMarkers，它会遍历每个cluster，把该群与其他所有群进行比较，找出每个群的特异性高表达基因。

# 找到每个cluster的marker基因 all_markers <- FindAllMarkers(scobj, only.pos = TRUE, min.pct = 0.25, logfc.threshold = 0.58)

only.pos = TRUE表示只保留在目标群中上调的基因，往下游注释通常只关注阳性的特异性marker，所以这个参数建议打开。min.pct = 0.25表示基因至少在25%的细胞中检测到才会被纳入分析，太低会把很多零散表达的基因也算进来，加大噪声。logfc.threshold = 0.58是差异表达的阈值，对应1.5倍表达变化，低于这个阈值不算显著富集。

跑完会发现返回的数据框很大，每个群有几十到几百个候选marker。接下来要做的是按p_val_adj和avg_log2FC排序，挑出每个群的前几个marker用于注释：

library(dplyr) top_markers <- all_markers %>% group_by(cluster) %>% arrange(p_val_adj, desc(avg_log2FC)) %>% slice_head(n = 10)

FindMarkers和FindAllMarkers的区别是：FindMarkers用于比较指定的两个群或一个群与另一个群的差异，FindAllMarkers则是一次性做所有群的循环比较。实际分析中，当你想比较两个相近亚群（比如CD4 T和CD8 T）的差异，或者需要将一个群与特定参照组做比较时，用FindMarkers更灵活。

# 比较cluster1和cluster2 markers_1_vs_2 <- FindMarkers(scobj, ident.1 = "1", ident.2 = "2", only.pos = TRUE, min.pct = 0.25)

3.5 从marker基因列表热图到细胞类型注释

marker基因列表出来后，几种常用的可视化手段可以把结果表达得更加直观清晰。热图是最直观的，用DoHeatmap把每个群top marker的表达量画出来，可以一次看清每个群“专属高表达”的基因组合。

DoHeatmap(scobj, features = top_markers$gene, size = 3)

热图的每一行是一个基因，每一列是一个细胞，默认按cluster排列。理想状态下，你应该看到沿对角线方向的明显“方块状”色块，也就是每个群的marker在自身群体的细胞中集中高表达。如果热图上各群之间没有明显的颜色区分，marker的表达不够特异，就需要回去调整聚类参数。

热图看完，就到了真正的生物学判断环节——根据marker基因的已知功能与文献信息，判断每个cluster的细胞类型。这一步是整个流程中最需要生物学知识沉淀的地方，也是很多新手最头疼的部分。比如cluster 0高表达CD3D、CD3E，基本可以判定是T细胞；cluster 1高表达MS4A1、CD79A，大概率是B细胞；cluster 2高表达LYZ、CD68，可能是巨噬细胞或者单核细胞。但有些群没这么友好，比如高表达CCL5、NKG7、GNLY的细胞可能是NK细胞，但也有可能是活化后的CD8 T细胞。这时候我会结合更多marker，比如CD8A是否阳性，如果CD8A也是阳性的，那就进一步倾向于细胞毒性T细胞而不是经典NK，必要时还需要借助权威的文献列表来确认。

注释还有一个技巧：千万不要只看top1的marker就下结论，至少要看3~5个marker联合判断。比如一个群高表达CD3D和CD4，但同时也高表达FOXP3和CTLA4（免疫抑制相关基因），那这个群很可能是调节性T细胞而非普通CD4 T细胞，两者在功能上差异巨大，不能混为一谈。

4. 常见问题与排查技巧实录

4.1 t-SNE图分不开或挤成一团的排查

这是被问得最多的问题。t-SNE图分不开，可能的原因有很多，我把排查过程整理成一个速查表。

需要特别说明的是，“挤成一团”还有一种常见原因是数据里存在大量的重复细胞（比如同一个细胞被捕获了两次）或细胞周期效应没有消除。这种情况不是单纯调参能解决的，可能需要回到上游做去重处理或用ScaleData时加入细胞周期评分作为协变量回归掉。

4.2 FindAllMarkers结果为空或top基因不特异

偶尔会得到完全空结果的FindAllMarkers输出，或者找到的标记基因其实在其他群体里也广泛表达。这里有个隐藏的“坑”：logfc.threshold和min.pct这两个参数是互相关联的，如果设置太严格，比如logfc.threshold设成2（对应4倍表达差异），不少细胞群的marker基因可能全被过滤掉。此时可以降低到0.25~0.58试试。

另一个常见情境是，你分析的数据包含多个细胞类型差异并不大的亚群（比如CD4 T细胞不同亚型），它们之间的表达差异本身就是渐进式的。这时候不必强求找到“干净”的marker，可以更关注基因组合或特异度较高的调控因子。

我还遇到过一种情况：某些cluster的top marker居然是线粒体基因或者核糖体基因（比如MT-、RPS/RPL开头）。这通常意味着数据质量有问题，高比例线粒体基因往往代表细胞凋亡或损伤；核糖体基因高表达可能是细胞应激的产物。遇到这种情况，最稳妥的做法是回到质控阶段重新过滤，而不是强行用这些基因作为细胞类型marker。

4.3 从marker基因到细胞类型注释的实操心得

最后分享一下我在实际项目里积累的几个注释心得。

第一，注释要有参考依据。最可靠的参考是已发表的单细胞文献和人/小鼠细胞图谱。比如做人的外周血样本，可以参考Human Cell Atlas（人类细胞图谱计划）的相关数据；做肿瘤样本，可以搜索该癌种的单细胞图谱论文。还有一个更直接的办法：如果你的样本与某个公开数据集接近，直接下载公开数据的Seurat对象，用FindTransferAnchors做label transfer（标签迁移），可以快速获得初步的注释结果，再人工校正。

第二，善用R包的自动注释工具做初筛，但不要盲信。目前比较成熟的有SingleR、Garnett、scCATCH等，它们基于不同参考数据库给出细胞类型预测。对于初学者，先用SingleR跑一版注释结果，与手动注释对照，能节省不少时间。但自动注释的准确率和参考库的质量高度相关，不能完全替代人工判断。

第三，marker基因做到“闭眼能说出来”才算合格。我自己的习惯是，每个注释好的细胞群至少总结3~5个特异性强、功能清晰的marker基因，把它们背下来，之后画FeaturePlot、检查群间相似性时，脑海里立刻能涌现出对应的表达模式。这一步熟练之后，速度会越来越快，也不容易出低级错误。

第四，注意物种差异。人、小鼠的基因命名规则不同：人源基因全大写（如CD3D），小鼠源基因首字母大写其余小写（如Cd3d）。如果你用人的marker列表去套小鼠数据，代码里features参数写不对，FeaturePlot会画不出任何东西，而且低版本Seurat还可能直接报错。遇到这种问题，先查Gene Symbol大小写，这也是我踩过最多次的坑之一。

4.4 给分析流程收尾的几个建议

到这里，t-SNE聚类和marker基因寻找的主流程就算完整跑完了。按照惯例，最后补充几个新手上路最容易忽略的点。

算力资源方面，如果你的样本量很大（超过5万细胞），t-SNE会比较耗时，需要预留足够的内存和运行时间。这种情况下可以考虑先降到10万细胞再跑t-SNE用于初步探索，最终分析再用全量数据。GPU加速方面，目前Seurat的t-SNE和UMAP实现并没有利用GPU，大规模数据建议改用Python的scanpy配合leiden聚类，速度优势明显。但这是另一套体系，初学者先把手头流程跑透更重要。

临时保存中间结果。找到合适的resolution和perplexity参数后，建议用saveRDS把Seurat对象保存下来，后续继续做拟时序、细胞通讯或其他分析，直接在保存的对象上展开，不需要重复跑聚类和marker寻找。

我自己现在做数据，每跑完一步t-SNE都会顺手把当次参数的图形导出保存，哪怕之后的参数更理想，也保留旧图备查。这个习惯帮我复盘过不少次，也让最终选定的结果更有说服力。所有分析与判断都记录得清清楚楚，将来写论文或者合作者复盘时，每一张图、每个参数都有据可查，这对科研数据管理的意义不言而喻。

t-SNE聚类这步做完，单细胞分析最难的“从数据到生物学”的跨越就算完成了一大半。剩下的事情，无论是细胞类型鉴定、差异分析、拟时序分析还是细胞间通讯，都是在这个基础上往上搭建的。只要这一步的基础打牢了，下游哪怕再复杂，也都有了可靠的前提。