“ScRNA-seq”的版本间的差异

来自医学百科
（建立内容为“<div style="padding: 0 2%; line-height: 1.8; color: #1e293b; font-family: 'Helvetica Neue', Helvetica, 'PingFang SC', Arial, sans-serif; background-color: #ffffff…”的新页面）
 
 
第3行： 第3行：
 
<div style="margin-bottom: 20px; border-bottom: 1px solid #f1f5f9; padding-bottom: 15px;">
 
<div style="margin-bottom: 20px; border-bottom: 1px solid #f1f5f9; padding-bottom: 15px;">
 
     <p style="font-size: 1.1em; margin: 10px 0; color: #334155;">
 
     <p style="font-size: 1.1em; margin: 10px 0; color: #334155;">
−
         <strong>scRNA-seq</strong>（Single-cell RNA sequencing）即单细胞转录组测序技术，是在单细胞水平上对全转录组进行高通量测序的分子生物学技术。它通过捕捉单个细胞中的 mRNA 信息，揭示了组织内部的[[细胞异质性]]、稀有细胞亚群以及动态的细胞分化轨迹。在[[精准医学]]领域，scRNA-seq 是解析[[肿瘤微环境]]、制定[[免疫决策]]以及辅助[[智慧医生]]进行临床分层的核心工具。
+
         <strong>scRNA-seq</strong>（Single-cell RNA sequencing）即单细胞转录组测序技术，是一种在单细胞分辨率下对全转录组进行高通量测序的分子生物学方法。该技术通过捕捉单个细胞中的 mRNA 表达信息，克服了传统大宗测序（Bulk RNA-seq）无法区分细胞异质性的局限。它是解构复杂组织架构、识别稀有细胞亚群以及追踪细胞分化与演化轨迹的核心底层技术。
 
     </p>
 
     </p>
 
</div>
 
</div>
第10行： 第10行：
 
      
 
      
 
     <div style="padding: 18px 15px; color: #ffffff; background: linear-gradient(135deg, #1e3a8a 0%, #3b82f6 100%); text-align: center; cursor: pointer;">
 
     <div style="padding: 18px 15px; color: #ffffff; background: linear-gradient(135deg, #1e3a8a 0%, #3b82f6 100%); text-align: center; cursor: pointer;">
−
         <div style="font-size: 1.25em; font-weight: bold; letter-spacing: 1px;">scRNA-seq · 表达矩阵</div>
+
         <div style="font-size: 1.25em; font-weight: bold; letter-spacing: 1px;">scRNA-seq · 技术全景</div>
−
         <div style="font-size: 0.75em; opacity: 0.8; margin-top: 4px; white-space: nowrap;">Single-cell RNA-seq (点击展开详细数据)</div>
+
         <div style="font-size: 0.75em; opacity: 0.8; margin-top: 4px; white-space: nowrap;">Single-cell RNA sequencing (点击展开详细数据)</div>
 
     </div>
 
     </div>
 
      
 
      
第17行： 第17行：
 
         <div style="padding: 25px; text-align: center; background-color: #f8fafc;">
 
         <div style="padding: 25px; text-align: center; background-color: #f8fafc;">
 
             <div style="display: inline-block; background: #ffffff; border: 1px solid #e2e8f0; border-radius: 12px; padding: 20px; box-shadow: 0 4px 6px rgba(0,0,0,0.02);">
 
             <div style="display: inline-block; background: #ffffff; border: 1px solid #e2e8f0; border-radius: 12px; padding: 20px; box-shadow: 0 4px 6px rgba(0,0,0,0.02);">
−
                 [[文件:scRNA-seq_Workflow_Visual.png|180px|scRNA-seq 技术流程示意]]
+
                 [[文件:scRNA-seq_Workflow_Standard.png|180px|scRNA-seq 标准技术流程图]]
 
             </div>
 
             </div>
−
             <div style="font-size: 0.85em; color: #64748b; margin-top: 12px; font-weight: 600;">从组织离散到数字化矩阵</div>
+
             <div style="font-size: 0.85em; color: #64748b; margin-top: 12px; font-weight: 600;">从生物样本到数字化表达矩阵</div>
 
         </div>
 
         </div>
  
第25行： 第25行：
 
             <tr>
 
             <tr>
 
                 <th style="text-align: left; padding: 12px 18px; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: 600; width: 35%; background-color: #fcfdfe;">主流平台</th>
 
                 <th style="text-align: left; padding: 12px 18px; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: 600; width: 35%; background-color: #fcfdfe;">主流平台</th>
−
                 <td style="padding: 12px 18px; border-bottom: 1px solid #f1f5f9; color: #1e293b;">10x Genomics / Drop-seq</td>
+
                 <td style="padding: 12px 18px; border-bottom: 1px solid #f1f5f9; color: #1e293b;">10x Genomics / Smart-seq2</td>
 
             </tr>
 
             </tr>
 
             <tr>
 
             <tr>
−
                 <th style="text-align: left; padding: 12px 18px; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: 600; background-color: #fcfdfe;">关键标记</th>
+
                 <th style="text-align: left; padding: 12px 18px; border-bottom: 1px solid #f1f5f9; color: #64748b; font-weight: 600; background-color: #fcfdfe;">核心参数</th>
−
                 <td style="padding: 12px 18px; border-bottom: 1px solid #f1f5f9; color: #1e293b;">[[UMI]] / Barcode</td>
+
                 <td style="padding: 12px 18px; border-bottom: 1px solid #f1f5f9; color: #1e293b;">Gene Count / [[UMI]]</td>
 
             </tr>
 
             </tr>
 
             <tr>
 
             <tr>
−
                 <th style="text-align: left; padding: 12px 18px; color: #64748b; font-weight: 600; background-color: #fcfdfe;">主要产出</th>
+
                 <th style="text-align: left; padding: 12px 18px; color: #64748b; font-weight: 600; background-color: #fcfdfe;">应用层级</th>
−
                 <td style="padding: 12px 18px; color: #1e293b; font-weight: bold;">[[细胞分选图谱]]</td>
+
                 <td style="padding: 12px 18px; color: #1e293b; font-weight: bold;">[[精准医疗]] / 基础科研</td>
 
             </tr>
 
             </tr>
 
         </table>
 
         </table>
第39行： 第39行：
 
</div>
 
</div>
  
 +
<h2 style="background: linear-gradient(to right, #1e3a8a, #ffffff); color: #ffffff; padding: 8px 15px; border-radius: 4px; font-size: 1.2em; margin-top: 35px;">关键技术路径</h2>
  
−
 
−
<h2 style="background: linear-gradient(to right, #1e3a8a, #ffffff); color: #ffffff; padding: 8px 15px; border-radius: 4px; font-size: 1.2em; margin-top: 35px;">核心技术流程</h2>
 
 
<p style="margin: 15px 0;">
 
<p style="margin: 15px 0;">
−
     scRNA-seq 通过物理或化学方法将组织解离为单个细胞悬液，随后经历以下关键步骤：
+
     scRNA-seq 的实验流程主要分为四个关键阶段，旨在将生物样本转化为可分析的数字矩阵：
 
</p>
 
</p>
 
<ul style="padding-left: 20px; color: #475569;">
 
<ul style="padding-left: 20px; color: #475569;">
−
     <li style="margin-bottom: 10px;"><strong>单细胞捕获：</strong> 利用微流控（Microfluidics）或液滴法将单个细胞与带有[[分子条形码]]（Barcode）的磁珠封装。</li>
+
     <li style="margin-bottom: 10px;"><strong>单细胞制备：</strong> 通过酶学解离或机械法将组织转化为活性良好的单个细胞悬液。</li>
−
     <li style="margin-bottom: 10px;"><strong>逆转录与扩增：</strong> 在液滴内进行原位逆转录，为每个细胞的 mRNA 加上独特的“身份标签”。</li>
+
    <li style="margin-bottom: 10px;"><strong>细胞捕获与标记：</strong> 采用液滴法（Droplet-based）或板法（Plate-based）隔离单个细胞，并引入[[分子条形码]]（Barcode）对细胞身份进行编码。</li>
−
     <li style="margin-bottom: 10px;"><strong>文库构建与测序：</strong> 汇总所有细胞的 cDNA 进行高通量测序，随后通过生物信息学手段还原[[基因表达矩阵]]。</li>
+
     <li style="margin-bottom: 10px;"><strong>文库构建：</strong> 进行反转录（RT）及扩增，并在 3' 或 5' 端添加测序接头。</li>
 +
     <li style="margin-bottom: 10px;"><strong>生物信息学分析：</strong> 包含去接头、序列比对、聚类分析及[[细胞类型鉴定]]。</li>
 
</ul>
 
</ul>
  
−
<h2 style="background: linear-gradient(to right, #1e3a8a, #ffffff); color: #ffffff; padding: 8px 15px; border-radius: 4px; font-size: 1.2em; margin-top: 35px;">临床决策赋能：智慧医生的应用</h2>
+
<h2 style="background: linear-gradient(to right, #1e3a8a, #ffffff); color: #ffffff; padding: 8px 15px; border-radius: 4px; font-size: 1.2em; margin-top: 35px;">学术与临床价值</h2>
  
−
<h3 style="color: #1e40af; border-bottom: 2px solid #dbeafe; display: inline-block; padding-bottom: 3px; margin-top: 20px;">1. 肿瘤克隆演化监测</h3>
+
<h3 style="color: #1e40af; border-bottom: 2px solid #dbeafe; display: inline-block; padding-bottom: 3px; margin-top: 20px;">1. 解析肿瘤异质性</h3>
 
<p style="margin: 10px 0;">
 
<p style="margin: 10px 0;">
−
     [[智慧医生]]利用 scRNA-seq 数据实时分析患者病灶内的克隆异质性：
+
     scRNA-seq 能够识别肿瘤病灶内不同功能的细胞亚群，如[[耐药持久性细胞]]（DTPs）或具有干性的癌细胞亚群，为解析肿瘤进展提供分子依据。
 
</p>
 
</p>
−
<ul style="padding-left: 20px; color: #475569;">
 
−
    <li style="margin-bottom: 10px;"><strong>耐药预判：</strong> 识别携带 KRAS<sup>G12D</sup> 等突变但在转录水平处于“代谢休眠”状态的稀有细胞，预警[[迟发性耐药]]。</li>
 
−
    <li style="margin-bottom: 10px;"><strong>治疗后评估：</strong> 通过[[微小残留病灶]]（MRD）的单细胞转录指纹，判断手术或化疗是否彻底清除了[[致瘤克隆]]。</li>
 
−
</ul>
 
  
−
<h3 style="color: #1e40af; border-bottom: 2px solid #dbeafe; display: inline-block; padding-bottom: 3px; margin-top: 20px;">2. 免疫微环境深度解码</h3>
+
<h3 style="color: #1e40af; border-bottom: 2px solid #dbeafe; display: inline-block; padding-bottom: 3px; margin-top: 20px;">2. 免疫微环境全景描绘</h3>
−
<ul style="padding-left: 20px; color: #475569;">
+
<p style="margin: 10px 0;">
−
     <li style="margin-bottom: 8px;"><strong>T细胞状态分层：</strong> 精确定义 [[T细胞耗竭]]、[[调节性T细胞]]（Treg）的浸润比例，辅助[[免疫治疗]]联合方案的制定。</li>
+
     该技术可深度刻画[[浸润淋巴细胞]]（TILs）的状态，区分[[T细胞耗竭]]、激活及调节等不同功能表型，是[[免疫治疗]]疗效评估的重要工具。
−
    <li style="margin-bottom: 8px;"><strong>配体-受体交互：</strong> 构建细胞间通讯网络，识别影响 [[PD-L1]] 疗效的新型抑制位点。</li>
+
</p>
−
</ul>
 
  
 
<div style="overflow-x: auto; margin: 30px auto; max-width: 650px;">
 
<div style="overflow-x: auto; margin: 30px auto; max-width: 650px;">
 
     <table style="width: 100%; border-collapse: collapse; border: 1px solid #e2e8f0; font-size: 0.95em; text-align: left;">
 
     <table style="width: 100%; border-collapse: collapse; border: 1px solid #e2e8f0; font-size: 0.95em; text-align: left;">
 
         <tr style="background-color: #f8fafc; border-bottom: 2px solid #1e3a8a;">
 
         <tr style="background-color: #f8fafc; border-bottom: 2px solid #1e3a8a;">
−
             <th style="padding: 15px; border: 1px solid #e2e8f0; color: #1e3a8a; width: 30%;">分析维度</th>
+
             <th style="padding: 15px; border: 1px solid #e2e8f0; color: #1e3a8a; width: 30%;">主要方法</th>
−
             <th style="padding: 15px; border: 1px solid #e2e8f0; color: #1e3a8a;">临床决策产出</th>
+
             <th style="padding: 15px; border: 1px solid #e2e8f0; color: #1e3a8a;">技术特点</th>
 
         </tr>
 
         </tr>
 
         <tr>
 
         <tr>
−
             <td style="padding: 12px; border: 1px solid #e2e8f0; background: #fcfdfe; font-weight: bold;">细胞类型聚类</td>
+
             <td style="padding: 12px; border: 1px solid #e2e8f0; background: #fcfdfe; font-weight: bold;">Drop-seq / 10x</td>
−
             <td style="padding: 12px; border: 1px solid #e2e8f0;">识别[[驱动基因]]突变所在的特定细胞群。</td>
+
             <td style="padding: 12px; border: 1px solid #e2e8f0;">高通量，适合捕获数万个细胞，主要覆盖 3' 端。</td>
 
         </tr>
 
         </tr>
 
         <tr>
 
         <tr>
−
             <td style="padding: 12px; border: 1px solid #e2e8f0; background: #fcfdfe; font-weight: bold;">差异表达分析</td>
+
             <td style="padding: 12px; border: 1px solid #e2e8f0; background: #fcfdfe; font-weight: bold;">Smart-seq2</td>
−
             <td style="padding: 12px; border: 1px solid #e2e8f0;">锁定不同临床分期下的特征[[生物标志物]]。</td>
+
             <td style="padding: 12px; border: 1px solid #e2e8f0;">全长覆盖，灵敏度高，适合精细分析少部分细胞。</td>
 
         </tr>
 
         </tr>
 
     </table>
 
     </table>
第90行： 第85行：
 
         <p style="font-size: 0.9em; color: #1e293b; font-weight: bold; margin-bottom: 5px;">[1] Tang F, et al. "mRNA-Seq analysis of a single cell." <em>Nature Methods</em>. 2009.</p>
 
         <p style="font-size: 0.9em; color: #1e293b; font-weight: bold; margin-bottom: 5px;">[1] Tang F, et al. "mRNA-Seq analysis of a single cell." <em>Nature Methods</em>. 2009.</p>
 
         <p style="font-size: 0.85em; color: #64748b; background: #f8fafc; padding: 10px; border-radius: 6px; border-left: 4px solid #3b82f6;">
 
         <p style="font-size: 0.85em; color: #64748b; background: #f8fafc; padding: 10px; border-radius: 6px; border-left: 4px solid #3b82f6;">
−
             <strong>点评：</strong>该研究是全球首个单细胞转录组测序的成功尝试，利用改良的单管扩增法实现了单个细胞的测序，彻底打破了 Bulk-seq 的均值限制。
+
             <strong>点评：</strong>单细胞转录组测序的奠基之作，首次证明了从单个哺乳动物细胞中获取完整表达信息的可行性。
 
         </p>
 
         </p>
 
     </div>
 
     </div>
第97行： 第92行：
 
         <p style="font-size: 0.9em; color: #1e293b; font-weight: bold; margin-bottom: 5px;">[2] Macosko EZ, et al. "Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets." <em>Cell</em>. 2015.</p>
 
         <p style="font-size: 0.9em; color: #1e293b; font-weight: bold; margin-bottom: 5px;">[2] Macosko EZ, et al. "Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets." <em>Cell</em>. 2015.</p>
 
         <p style="font-size: 0.85em; color: #64748b; background: #f8fafc; padding: 10px; border-radius: 6px; border-left: 4px solid #3b82f6;">
 
         <p style="font-size: 0.85em; color: #64748b; background: #f8fafc; padding: 10px; border-radius: 6px; border-left: 4px solid #3b82f6;">
−
             <strong>点评：</strong>Drop-seq 技术的里程碑文献。首次证明了液滴微流控技术可以大规模并行处理成千上万个细胞，极大地降低了单细胞测序的成本并提升了通量。
+
             <strong>点评：</strong>该研究引入了微流控液滴技术，使单细胞测序从低通量转向高通量，是目前商业化主流技术（如10x Genomics）的理论基石。
 
         </p>
 
         </p>
 
     </div>
 
     </div>
第104行： 第99行：
 
         <p style="font-size: 0.9em; color: #1e293b; font-weight: bold; margin-bottom: 5px;">[3] Zheng GXY, et al. "Massively parallel digital transcriptional profiling of single cells." <em>Nature Communications</em>. 2017.</p>
 
         <p style="font-size: 0.9em; color: #1e293b; font-weight: bold; margin-bottom: 5px;">[3] Zheng GXY, et al. "Massively parallel digital transcriptional profiling of single cells." <em>Nature Communications</em>. 2017.</p>
 
         <p style="font-size: 0.85em; color: #64748b; background: #f8fafc; padding: 10px; border-radius: 6px; border-left: 4px solid #3b82f6;">
 
         <p style="font-size: 0.85em; color: #64748b; background: #f8fafc; padding: 10px; border-radius: 6px; border-left: 4px solid #3b82f6;">
−
             <strong>点评：</strong>10x Genomics 核心技术的系统性论述。该论文确立了目前临床最通用的微流控油包水技术标准，使 scRNA-seq 具备了向临床常规诊断转化的稳定性。
+
             <strong>点评：</strong>该文详细展示了 GemCode 系统的稳定性与大规模应用潜力，确立了其在临床样本解析中的金标准地位。
 
         </p>
 
         </p>
 
     </div>
 
     </div>
第110行： 第105行：
  
 
<div style="margin: 40px 0; border: 1px solid #1e3a8a; border-radius: 8px; overflow: hidden; font-size: 0.9em;">
 
<div style="margin: 40px 0; border: 1px solid #1e3a8a; border-radius: 8px; overflow: hidden; font-size: 0.9em;">
−
     <div style="background-color: #1e3a8a; color: #ffffff; text-align: center; font-weight: bold; padding: 12px;">scRNA-seq 导航</div>
+
     <div style="background-color: #1e3a8a; color: #ffffff; text-align: center; font-weight: bold; padding: 12px;">单细胞技术导航</div>
 
     <div style="padding: 15px; background: #ffffff; line-height: 2; text-align: center;">
 
     <div style="padding: 15px; background: #ffffff; line-height: 2; text-align: center;">
−
         [[单细胞测序]] • [[智慧医生]] • [[全息图谱]] • [[肿瘤异质性]] • [[精准决策]]
+
         [[单细胞多组学]] • [[10x Genomics]] • [[细胞异质性]] • [[谱系追踪]] • [[转录组学]]
 
     </div>
 
     </div>
 
</div>
 
</div>
  
 
</div>
 
</div>

2025年12月28日 (日) 09:55的最新版本

scRNA-seq（Single-cell RNA sequencing）即单细胞转录组测序技术，是一种在单细胞分辨率下对全转录组进行高通量测序的分子生物学方法。该技术通过捕捉单个细胞中的 mRNA 表达信息，克服了传统大宗测序（Bulk RNA-seq）无法区分细胞异质性的局限。它是解构复杂组织架构、识别稀有细胞亚群以及追踪细胞分化与演化轨迹的核心底层技术。

scRNA-seq · 技术全景
Single-cell RNA sequencing (点击展开详细数据)
从生物样本到数字化表达矩阵
主流平台 10x Genomics / Smart-seq2
核心参数 Gene Count / UMI
应用层级 精准医疗 / 基础科研

关键技术路径

scRNA-seq 的实验流程主要分为四个关键阶段，旨在将生物样本转化为可分析的数字矩阵：

  • 单细胞制备： 通过酶学解离或机械法将组织转化为活性良好的单个细胞悬液。
  • 细胞捕获与标记： 采用液滴法（Droplet-based）或板法（Plate-based）隔离单个细胞，并引入分子条形码（Barcode）对细胞身份进行编码。
  • 文库构建： 进行反转录（RT）及扩增，并在 3' 或 5' 端添加测序接头。
  • 生物信息学分析： 包含去接头、序列比对、聚类分析及细胞类型鉴定。

学术与临床价值

1. 解析肿瘤异质性

scRNA-seq 能够识别肿瘤病灶内不同功能的细胞亚群，如耐药持久性细胞（DTPs）或具有干性的癌细胞亚群，为解析肿瘤进展提供分子依据。

2. 免疫微环境全景描绘

该技术可深度刻画浸润淋巴细胞（TILs）的状态，区分T细胞耗竭、激活及调节等不同功能表型，是免疫治疗疗效评估的重要工具。

主要方法 技术特点
Drop-seq / 10x 高通量，适合捕获数万个细胞，主要覆盖 3' 端。
Smart-seq2 全长覆盖，灵敏度高，适合精细分析少部分细胞。

经典参考文献与学术点评

[1] Tang F, et al. "mRNA-Seq analysis of a single cell." Nature Methods. 2009.

点评：单细胞转录组测序的奠基之作，首次证明了从单个哺乳动物细胞中获取完整表达信息的可行性。

[2] Macosko EZ, et al. "Highly Parallel Genome-wide Expression Profiling of Individual Cells Using Nanoliter Droplets." Cell. 2015.

点评：该研究引入了微流控液滴技术，使单细胞测序从低通量转向高通量，是目前商业化主流技术（如10x Genomics）的理论基石。

[3] Zheng GXY, et al. "Massively parallel digital transcriptional profiling of single cells." Nature Communications. 2017.

点评：该文详细展示了 GemCode 系统的稳定性与大规模应用潜力，确立了其在临床样本解析中的金标准地位。

取自“https://www.yiliao.com/index.php?title=ScRNA-seq&oldid=311131”