Geo单细胞注释这活儿，看着简单，其实坑深得很。我见过太多同行，拿到数据直接扔进Seurat或者Scanpy里，默认参数跑一圈，出个图就敢发文章。结果呢？审稿人一句“细胞类型鉴定不准确”直接拒稿。今天不整那些虚头巴脑的理论，就聊聊我踩过的雷，还有怎么把Geo单细胞注释做得扎实点。

首先，你得承认，不同平台的数据差异巨大。10x Genomics和Smart-seq2出来的数据，噪音水平完全不是一个量级。很多人不管三七二十一，直接套用同一个参考数据集。比如，你拿脑组织的参考去注释外周血样本，那结果肯定是一塌糊涂。我去年帮一个客户改数据，他就是犯了这毛病。他用的参考库是Mouse Brain Atlas，但样本其实是脾脏。结果T细胞、B细胞全被注释成了神经元前体细胞。这哪是注释，这是瞎编。所以，第一步，选对参考数据库至关重要。如果是人源数据，Human Cell Atlas是个不错的选择，但要注意版本。如果是小鼠，Tabula Muris或者最新的Mouse Cell Atlas更靠谱。别偷懒，去查查你样本的组织来源，再匹配对应的参考集。

其次，标记基因的选择。很多教程里说“用Top 10 marker genes”，这太粗糙了。我在实际工作中发现，仅仅看Top 10很容易出错，因为有些基因在非特异性细胞里也有表达。比如，LYZ在巨噬细胞里高表达，但在某些上皮细胞里也有少量表达。如果你只看Top 10，可能会把上皮细胞误判为巨噬细胞。我的建议是，至少看Top 20，并且结合文献验证。我有个习惯，会把候选标记基因的表达热图打出来，肉眼检查一下。如果某个标记基因在多个簇里都有表达，那这个簇的注释就要存疑。这时候，可能需要引入更多的标记基因，或者使用更高级的算法，比如SingleR或者scANVI，它们能利用更丰富的信息来辅助判断。

还有，批次效应。这玩意儿简直是Geo单细胞注释的噩梦。不同批次的数据，即使来自同一个体，也可能因为实验操作、试剂批次不同而产生巨大差异。如果不校正，你的聚类结果可能会把同一类细胞分成好几堆，或者把不同类的细胞混在一起。我之前处理一个多中心研究的数据，三个中心的样本混在一起跑，聚类结果乱七八糟。后来用了Harmony或者BBKNN做校正，结果才清晰起来。但要注意，校正过度也会抹杀真实的生物学差异。所以，校正前后都要看PCA图，确认校正后同一类细胞确实聚在一起，而不同类细胞依然分开。

最后，人工复核。别完全相信算法。算法再牛，也是基于统计学的概率判断。你需要结合生物学知识，去判断结果是否合理。比如，如果某个簇被注释为“未分类”，不要急着扔掉，看看它的标记基因是什么，也许是一个新的亚型。我有一次遇到一个簇，算法注释为“T细胞”，但标记基因里出现了CD19，这是B细胞的标记。我仔细一看，发现这个簇其实是个双阳性细胞，或者可能是数据质控没做好，混入了死细胞。如果是后者，那就得重新过滤。这种细节，算法发现不了，只能靠人。

总之，Geo单细胞注释不是跑个代码就完事了。它需要你对数据有深入的理解，对标记基因有敏锐的嗅觉，对批次效应有足够的警惕。别指望一键搞定，多花点时间在数据质控和标记基因验证上，你的结果才会经得起推敲。记住，好的注释不是算出来的，是“磨”出来的。

本文关键词：Geo单细胞注释