做生信分析，最怕什么？不是代码跑不通，而是拿到数据发现全是坑。

最近帮几个研究生朋友看项目，发现一个普遍现象：大家拿到geo单细胞数据，第一反应是赶紧跑流程，Seurat、Scanpy一顿操作猛如虎，结果最后画图好看，结论却经不起推敲。

为什么？因为很多人根本不懂怎么清洗数据，怎么区分批次效应和生物学差异。

我见过一个真实案例。某团队从GEO下载了一个乳腺癌的单细胞数据集，样本量不大，但看着挺美。他们直接合并所有样本，聚类后发现几个明显的亚群。兴奋地发文章，结果审稿人一眼看出：那几个“独特亚群”，其实是不同患者样本在测序深度上的差异造成的批次效应，根本不是新的细胞类型。

这亏吃得冤不冤？太冤了。

所以，今天我不讲那些高大上的算法原理，就讲讲怎么从geo单细胞数据里挖出真金子，避开那些假繁荣。

第一步，别急着下载，先看清元数据。

很多人下载数据就像开盲盒，拿到就分析。大错特错。你得去GEO官网，仔细看Sample和Series的备注。看看有没有标注是新鲜组织还是冻存组织？有没有标注是PBMC还是组织解离？

比如，有些数据是10x Genomics做的，有些是Drop-seq。这两种技术捕获效率不同，直接混在一起分析，结果肯定歪。我之前处理过一个数据集，没注意看，把两种平台的数据硬凑一起，结果发现线粒体基因占比高的细胞，全是Drop-seq的数据，这明显是技术偏差，不是生物学现象。

第二步，质控要狠，别心软。

拿到Fastq或Count矩阵，第一件事就是质控。别听信什么“保留更多细胞更准确”的鬼话。

看线粒体基因比例。如果某个样本线粒体基因占比超过20%，大概率是死细胞或者破损细胞，直接扔掉。看UMI数量。太少的可能是空液滴，太多的可能是双细胞。

我有个学生，之前舍不得删数据，保留了大量低质量细胞，最后聚类结果一团糟，根本分不开群。后来狠心删掉30%的低质量细胞，结果细胞亚群清晰得像切豆腐。记住，垃圾进，垃圾出。

第三步，批次校正要谨慎，别过度。

这是最容易翻车的地方。很多工具像Harmony、BBKNN、Seurat的CCA，都能做批次校正。但校正过度，会把真实的生物学差异抹平。

怎么判断？看PCA图。校正前，如果不同样本的细胞混在一起，说明批次效应不明显，或者生物学差异主导。如果校正后，原本分开的亚群强行挤在一起，那可能就把真实差异抹掉了。

建议先用简单的PCA看看，再决定用不用校正。如果样本来自同一批实验，只是不同患者，其实不用强校正，直接整合分析可能更稳妥。

第四步，注释要参考权威，别靠猜。

聚类出来一堆群，怎么知道是T细胞还是B细胞？别只看Marker基因名字，要去查文献，或者用SingleR这样的工具自动注释。

我见过有人把NK细胞注释成T细胞，因为Marker基因有点像。结果结论全错。一定要结合已知Marker，比如CD3E是T细胞，CD19是B细胞，CD14是单核细胞。如果有疑问，去CellMarker数据库查一下。

最后，总结一下。

做geo单细胞数据，核心不是跑代码，而是思考。思考数据的来源，思考质控的标准，思考校正的边界。

别被漂亮的UMAP图迷了眼，那可能是技术噪音。

如果你还在为数据清洗头疼，或者聚类结果总是不理想，不妨停下来，重新审视一下你的质控步骤。有时候，退一步，反而能看清真相。

如果你遇到搞不定的数据，或者分析结果总是被质疑，欢迎来聊聊。别怕问题复杂，咱们一起拆解，总能找到出路。