本站为《Single-Cell Best Practices》的非官方简体中文社区译本。原作版权归原作者所有；如有疑问，请对照 英文原书。

单细胞最佳实践¶

介绍¶

人体是一台复杂的机器，高度依赖于生命的基本单位——细胞。这些细胞展现出非凡的多样性，类型和功能各不相同，并能在发育过程中、应对疾病时或再生过程中发生重要的状态转变。这种细胞异质性（cellular heterogeneity）体现在它们的结构、功能和基因表达谱上。一旦这种微妙的平衡被打破，便可能导致全身性的失调，进而引发癌症等严重疾病 Macaulay et al., 2017。因此，理解细胞在正常和扰动状态下如何运作，对于深化我们对整个细胞系统的认识至关重要。

为应对这一挑战，研究人员采用了多种策略，其中最有前景的方法之一是在单个细胞水平上对细胞进行剖析。传统上，每个细胞的转录组（transcriptome）主要通过一种称为单细胞 RNA 测序（single-cell RNA sequencing, scRNA-seq） 的过程来研究。然而，单细胞基因组学近来的进展如今已能将转录组数据与空间信息、染色质可及性（chromatin accessibility）或蛋白质水平信息整合起来。这些进展不仅加深了我们对复杂调控机制的理解，也为数据分析带来了新的挑战。

如今，分析人员面临着数量惊人的计算工具——仅针对单细胞 RNA-seq 的方法就超过 1700 种 Zappia & Theis, 2021。要在如此庞大的工具版图中找准方向、产出可靠而前沿的结果，是一项重大的挑战。

本书涵盖的内容¶

本书旨在指导初学者和经验丰富的专业人士掌握单细胞测序分析的 最佳实践。本书全面概述了从预处理、可视化到统计评估乃至更多环节的核心分析步骤。研读本书后，你将掌握独立分析单模态和多模态（multimodal）单细胞测序数据的技能。

书中给出的建议尽可能以外部基准测试和综述为依据，以确保所传授的方法既有效又可靠。此外，本书力求成为一份持续更新的动态资源，不断跟进新的发现与最新的最佳实践。

本书不涵盖的内容¶

本书不涵盖生物学或计算机科学的基础概念，也不包括基本的编程技能。本书也并非特定任务下所有可用工具的详尽清单。相反，本书强调那些经过外部基准测试、或被公认为社区标准的、经过充分验证的方法。当缺乏这类外部验证时，我们的建议仅基于我们丰富的实践经验。

本书适合哪些读者¶

本书面向所有对单细胞数据分析感兴趣的读者，包括 生物学家（希望掌握实用的数据分析技能）、 计算机科学家（希望探索单细胞数据的生物学基础和计算挑战），以及 生物信息学家（希望巩固知识或跟进最新最佳实践）。无论你是希望掌握基础知识的初学者，还是希望精进技能并采用高效工作流程的资深分析人员，本书都将引导你应对单细胞分析中的复杂问题。

本书结构¶

每一章对应典型单细胞数据分析项目的一个独立阶段。分析流程通常应遵循各章顺序，但也可根据具体的下游分析目标灵活调整。每章均附有大量参考文献，建议读者查阅这些原始资料以深入理解相关内容。尽管我们力求提供全面的背景信息，但本书的概要和 术语表 可能无法完整呈现每一项建议背后的全部推理。

先修知识¶

生物信息学本质上是一门多学科领域，需要同时具备生物学和计算机科学知识。单细胞分析尤其具有挑战性，因为它融合了多个子领域，并且经常涉及大型数据集。本书无法涵盖计算单细胞分析所需的全部基础知识，因此我们推荐以下资源，以帮助你完善知识储备：

• Python 编程基础：熟悉控制流（如循环、条件语句）、基本数据结构（如列表、字典、集合），以及 Pandas、Numpy 等关键库是必不可少的。初学者可以参阅这本免费书籍：Automate the Boring Stuff with Python。

• AnnData 与 Scanpy：虽然有使用这些工具的经验会有帮助，但并非严格必需。本书详细介绍了 AnnData，并概述了使用 Scanpy 的工作流程；不过它并未涵盖 Scanpy 的全部功能。为加深理解，我们建议你进一步探索 Scanpy 教程 并查阅 Scanpy API 参考文档 以便按需查阅。

• 多模态数据分析：对于有兴趣分析多模态数据的读者，了解 muon 和 MuData 等工具会很有帮助。muon 教程 为这一领域提供了扎实的入门介绍。

• 基础 R 编程：掌握控制流和基本数据结构的知识即可。初学者可以参阅 R 数据科学，以获得全面的入门指导。

• 生物学基础：虽然本书对数据生成做了粗略概述，但并不涉及诸如 DNA、RNA 和蛋白质等基础概念。Molecular Biology of the Cell（作者 Bruce Alberts 等人）是为分子生物学初学者推荐的入门读物。

同行评审¶

尽管本书内容已经过多位作者、编辑和外部专家审阅，但尚未接受正式的同行评审。我们诚挚欢迎你提出建设性意见，帮助我们继续打磨和完善这些材料。你可以通过以下方式反馈：

1. 提交 Issue：您可以前往 我们的 GitHub 仓库 提交 Issue，提出任何建议、疑问或需要澄清之处。

2. 具体明确：反馈时请尽可能具体。例如，如果你对某一节有改进建议，请指出确切位置，并说明改进理由。

3. 提供来源：如适用，请提供支持反馈或建议的来源与参考文献，以帮助这些材料保持准确并及时更新。

4. 与社区讨论：欢迎评论现有 Issue，加入正在进行的讨论。这可以帮助我们根据社区的意见完善内容。

引用¶

如果本书内容对你的研究有所帮助，请按以下方式引用：

Heumos, L., Schaar, A.C., Lance, C. 等. 跨模态的单细胞分析最佳实践. Nat Rev Genet (2023).Heumos et al. (2023)

参与贡献¶

我们诚邀社区参与，不断完善本教程和教学材料。请阅读 贡献指南 以了解更多说明。

如果遇到疑问或问题，请在本仓库中提交一个 Issue 与我们联系。

其他格式¶

本书的 PDF 版本可在我们的 发布页面。

联系我们¶

你可以报告问题和请求，相关入口见我们的 Issue 跟踪器。

如有咨询、演讲邀约或合作机会，请发送邮件至：

• Anna Schaar：anna.schaar@helmholtz-munich.de

• Lukas Heumos：lukas.heumos@helmholtz-munich.de

许可证¶

本书采用 Apache 2.0 许可证。