48. 术语表

接头序列

短的合成 DNA 或 RNA 序列，在为测序做文库准备时被连接到 DNA 或 RNA 片段的末端。这些接头（adapter）对于把片段结合到流动槽（flowcell）上、并实现扩增和测序至关重要。然而，如果测序后没有把接头修剪掉，它们可能出现在 reads 中，从而干扰比对和下游分析。

算法

用于解决问题的预定义指令集。

注释

为原始数据添加标签，以提供背景信息并使其可解读。例如，基因注释会给基因标注功能、位置、相关蛋白等信息；细胞注释则根据类型、状态或功能对细胞进行分类。这些只是几个例子，对生物数据进行注释的方式还有很多（例如基于批次、疾病、性别等）。

AnnData

一个用于处理带注释数据矩阵的 Python 包，常用于单细胞及其他组学分析。它提供了一种高效的方式，把数据存储为矩阵，其中行（观测）和列（特征）都可以带有相关的元数据。 AnnData 支持切片、取子集，并以 H5AD 和 Zarr 等格式保存到磁盘。

BAM

BAM 文件是 SAM（Sequence Alignment/Map）文件的二进制压缩版本，用于存储测序 reads 到参考基因组的比对结果。它们包含的信息与 SAM 文件相同——包括读序、质量分数和比对位置——但采用更节省空间的格式，从而实现更快的处理和更低的存储需求。

扩增偏差

在 DNA 或 RNA 扩增（如 PCR）过程中产生的一种偏差，即某些序列的复制效率高于其他序列。这可能导致原始遗传物质的呈现不均衡或不准确，进而影响测序或基因表达分析等实验的结果。

条形码

用于识别来自同一细胞的 reads 的短 DNA 条形码片段（“tag”）。在原始数据处理步骤中，reads 之后会按其条形码进行分组。

批次效应

实验中导致数据集分布发生偏移的技术性混杂因素。如果批次效应的来源与实验关注的结果相关，往往会导致错误的结论，因此应当加以处理（通常是将其去除）。

基准

对若干工具就预先定义的指标所做的（独立）性能比较。

bulk RNA 测序

与单细胞测序相反，bulk 测序测得的是若干细胞的平均表达值。因此分辨率会下降，但 bulk 测序通常更便宜、更省力，分析也更快。

细胞

生命的基本单位，由膜包裹的细胞质构成，内含蛋白质和核酸等生物分子。细胞会获得特定功能、向不同类型转变、分裂，并相互通讯以维持机体运转。研究细胞的结构、活动和相互作用，使我们得以深入理解基因表达动态、细胞轨迹、发育谱系和疾病机制。

细胞类型注释

为各 聚类 的细胞群按 细胞类型 进行标注的过程。通常依据细胞类型特异性标记基因，由分类器自动完成，或通过与参考数据集比对来实现。

细胞类型

具有共同形态特征或表型特征的细胞。

细胞状态

细胞可以根据 细胞类型 来标注，也可以根据由细胞周期、扰动状态或其他特征所定义的其他细胞状态来标注。

染色质

DNA 与蛋白质构成的复合体，能高效地把 DNA 包装在细胞核内，并参与调控基因表达。

密码子

由三个核苷酸组成的序列，对应于蛋白质合成中的某个特定氨基酸或起始/终止信号。密码子是遗传密码的基本单位，决定遗传信息如何被翻译成蛋白质。

CpG

一种 DNA 序列，沿 5′ → 3′ 方向，一个胞嘧啶（C）后面紧跟一个鸟嘌呤（G），二者通过磷酸二酯键连接。CpG 位点常成簇出现，在基因启动子附近形成所谓的 CpG 岛。未甲基化的 CpG 位点与基因激活相关，而甲基化的 CpG 位点则可能导致基因抑制。

聚类

一群彼此相似的个体或数据点的集合。在单细胞中，同一聚类的细胞通常共享某种用于注释的共同功能或标记基因表达（参见 细胞类型注释）。

互补 DNA（cDNA）

由逆转录酶以 RNA 为模板合成的 DNA。由于 cDNA 比 RNA 更稳定，常用于 RNA-seq 文库制备，使捕获到的转录本得以扩增并测序，用于基因表达分析。

解复用

确定每条测序 read 分别属于哪个细胞的过程，所依据的是 条形码。

有向图

有向图（directed graph，或称 digraph）是由一组节点（顶点）通过边（弧）连接而成的图，其中每条边都有一个方向，表示节点之间的单向关系。

DNA

DNA 是脱氧核糖核酸（Deoxyribonucleic acid）的缩写。它是储存遗传信息、并为蛋白质合成提供指令的有机化学物质。DNA 会被转录为 RNA。

双细胞

基于液滴的检测所得到的 reads，可能被错误地关联到单细胞，而实际上其 RNA 表达来自两个或多个细胞（即双细胞）。

下游分析

继原始数据初步处理之后的数据分析阶段。在 scRNA-seq 中，这包括归一化、整合、过滤、细胞类型识别、轨迹推断，以及研究表达动态等任务。

驱动基因

在生物学过程中主动控制或“引导”细胞从一种状态转变为另一种状态的基因。与仅用于识别细胞类型的标记基因不同，驱动基因在功能上对分叉点处的命运决定起决定作用。

基因漏检

一种低表达的基因，它在某个细胞中被观测到，但在同一 细胞类型中的其他细胞里却没有。出现 dropout（基因漏检）的原因通常是细胞中 mRNA 表达量偏低，以及 mRNA 表达本身的随机性。dropout 是 scRNA-seq 数据稀疏的原因之一。

Drop-seq

一种 scRNA-seq 方案，把细胞分隔到纳升级的水相液滴中，从而实现大规模分析。

编辑距离

编辑距离（通常称为 Levenshtein 距离）衡量把一个字符串转换为另一个字符串所需的最少操作次数（替换、插入、删除）。

嵌入

一种把复杂对象（如词语、蛋白质或基因）表示为数值向量的方法，便于计算机更容易地对其进行分析。

FASTQ

以 FASTQ 格式保存的测序 reads。FASTQ 文件以 4 行格式存储 DNA/RNA 序列及其对应的质量分数：标识符、序列、可选描述，以及以 ASCII 字符编码的质量分数。随后，FASTQ 文件会与目标参考基因组进行比对，以获得各细胞的基因计数。

流动槽

测序平台中用于对 DNA 或 RNA 片段进行测序的耗材。它由带有泳道或通道的玻璃或聚合物表面构成，表面涂有寡核苷酸，用于捕获并锚定 DNA 或 RNA 片段。测序时，这些片段被扩增成簇，并通过检测核苷酸掺入过程中发出的荧光信号来确定其序列。流动槽（flowcell）允许数百万个片段同时测序，从而实现高通量测序。

基因表达矩阵

一个“细胞（条形码）× 基因”（scverse 生态系统）或“基因 × 细胞（条形码）”的矩阵，在矩阵的单元格中存储计数。

汉明距离

衡量两个等长字符串中有多少个位置不同的度量。它常用于错误检测与校正，包括对测序数据中的条形码进行校正。

插补

用通常是人为生成的值来替换缺失值。

inDrop

一种基于液滴（droplet）的 scRNA-seq 方案。

文库

又称测序文库。一组带有测序接头（adapter）的 DNA 片段。

模态

在单细胞层面测得的不同类型的生物信息，包括基因表达、染色质可及性、表面蛋白、免疫受体序列以及空间组织。结合这些模态，可以更全面地理解细胞的身份、功能和相互作用。

位点

基因组或转录组上某个特定序列或遗传特征所在的特定位置或区域。在测序中，loci（位点）指一条 read 或片段可能的来源，例如基因、外显子或基因间区。准确识别 loci 对于比对 reads、理解数据所处的基因组或转录组背景至关重要。

信使 RNA（mRNA）

一段从基因读取出来、用作蛋白质蓝图的核苷酸序列。

标记基因

其表达被用作某种特定细胞类型、生物学过程或细胞状态指示标志的基因。标记基因常用于单细胞和 bulk 转录组学，依据细胞的功能或身份来识别或分类细胞。

MuData

一个用于多模态带注释数据矩阵的 Python 包，它构建于 AnnData。它是 scverse 生态系统中用于多模态数据的核心数据结构。

Muon

scverse 推出的、用于在 Python 中进行多模态单细胞分析的 Python 包。

负二项分布

一种离散概率分布，描述在出现指定次数的失败之前，一系列独立同分布的伯努利试验中成功次数的分布。

PCR

聚合酶链反应（Polymerase chain reaction，PCR）是一种扩增序列、产生数十亿个拷贝的方法。PCR 需要引物（primer）——它们是短的合成 DNA 片段，用于选择要扩增的基因组片段，随后进行多轮 DNA 合成，以扩增目标片段。

分析流程

也常被称为工作流程（workflow）。一组预先指定、通常按顺序执行的步骤。

泊松分布

服从泊松分布

一种离散概率分布，描述在固定的时间或空间区间内、以已知恒定平均速率独立发生的事件，发生指定次数的概率。

主成分分析（PCA）

一种统计方法，通过减少变量数量、同时保留数据中的主要模式来简化复杂数据集。它把高维数据投影到正交轴（主成分）上，并按各成分所解释的方差大小排序。

启动子

蛋白质（如 RNA 聚合酶和转录因子）结合的 DNA 序列，用于启动和控制转录。

伪时间

一个潜在的、因而无法直接观测的维度，反映细胞在状态转变过程中的进展。伪时间（pseudotime）通常与真实时间事件相关，但不一定相同。

RNA

核糖核酸（RNA）是一种存在于所有活细胞中的单链核酸，编码并调控基因表达。与 DNA 不同，RNA 可以高度动态，既可作为信使（mRNA）携带遗传指令，也可作为结构或催化组分（rRNA、snRNA），或作为基因表达的调控者（miRNA、siRNA、lncRNA）。RNA 在转录、翻译和细胞应答中起核心作用，因此对理解基因调控、发育和疾病至关重要。

RNA velocity

RNA velocity 通过比较单细胞 RNA 测序数据中未剪接（pre-mRNA）与已剪接（成熟）mRNA 转录本的比例，来度量基因表达的变化速率。这一比例可以揭示基因是正在被积极转录（表达上升）还是正在降解（表达下降），从而让研究者预测细胞的未来状态。这一概念利用了如下事实：pre-mRNA 信号指示新的转录，而成熟 mRNA 水平反映稳态表达，由此可以推断细胞轨迹和发育动态。

SAM

SAM（Sequence Alignment/Map）文件是以制表符分隔的文本文件，用于存储测序比对数据，展示测序 reads 如何比对到参考基因组。SAM 文件中的每一行都包含一条 read 比对的信息，包括读序、碱基质量分数、比对位置和比对质量。

Scanpy

scverse 推出的、用于在 Python 中进行单细胞分析的 Python 包。

scverse

一个面向生命科学基础单细胞工具的联盟，维护着 scanpy、muon 和 scvi-tools 等计算分析工具。参见： https://scverse.org/

测序

测序（sequencing）是解读 DNA 核苷酸排列顺序的过程。

信噪比

衡量信号相对于背景噪声清晰程度的指标。在测序中，信号代表从被测序的 DNA 或 RNA 分子中获得的可检测信息，而噪声则包括可能掩盖或扭曲真实数据的随机误差或无用信号。高信噪比（SNR）表示相对于噪声而言信号强而可靠，数据质量更好；反之，低信噪比意味着噪声可能干扰或降低测序结果的准确性。

稀疏数据

指绝大多数取值为零、仅在少数情况下取其他值的数据（稀疏数据与缺失数据）。 这在基因表达数据中很常见，很多基因在大多数细胞中没有表达。

稀疏矩阵

一种用于存储 稀疏数据 的方法。它不保存所有的零，而只保存非零值及其位置，从而节省空间、加快计算；对于大多为空值的大型数据集（如基因表达数据）非常有用。

Spike-in RNA

已知序列和数量的 RNA 转录本，用于在 RNA-seq 的 RNA 杂交步骤中校准测量。

剪接位点

在 RNA 剪接过程中，内含子被去除、外显子被连接到成熟 RNA 转录本上的那些位置。这些连接处位于特定的核苷酸序列上，对于正确组装出有功能的 mRNA 至关重要。

轨迹推断

又称伪时序排序（pseudotemporal ordering）。通过按相似性或其他方式对细胞排序，来在计算上还原动态过程。

唯一分子标识符（UMI）

一种特殊的分子条形码，为样本文库中的每个分子打上唯一的标签。例如，它可用于估计 PCR 重复率（参见 扩增偏差），从而实现纠错并提高准确性。

非翻译区（UTR）

源自 mRNA 转录本、会被转录但不会被翻译成蛋白质的一段区域。UTR 位于编码序列的两端。