企业官网建设流程全解析

写一篇关于单细胞数据分析第四个核心环节的实战教程，是时候把“降维、聚类、注释”这三个最深也最常让人卡壳的步骤讲透了。特别是刚跑完前面三步预处理（质控、标准化、高变基因识别），正准备往深水区走的朋友，这篇文字就是你的过渡桥。

老规矩，这不是复读文档，而是贴近真实分析现场的经验记录。从PCA到底选多少个主成分，到UMAP和tSNE怎么选，到Leiden聚类分辨率调到多少才算“对”，再到注释细胞类型时怎么把marker基因表用活——我会按实操顺序一点点捋。

1. 分析起点：预处理后的adata到底长什么样

如果你是从系列第一篇跟过来的，此刻手里的adata对象大概已经完成了这几步：原始counts矩阵经过了pp.filter_cells和pp.filter_genes的粗过滤，用pp.normalize_total做了文库大小校正（默认target_sum=1e4），又通过pp.log1p做了对数化，然后再用pp.highly_variable_genes筛出了一批高变基因。

这个阶段的adata结构大致是这样：

adata.shape # (细胞数, 基因数) 例如 (8291, 18924) 这类规模 adata.var['highly_variable'].value_counts() # True ~2000-5000 # False ~15000+

注意，高变基因数量默认是2000-5000。为什么所有教程都强调这一步？因为后边的PCA、聚类这些计算，全部只在高变基因子集上进行。这个操作有两层含义：

第一，计算上更干净。高变基因是那些在细胞间表达差异显著的基因，它们才携带了区分细胞类型的主要信号。那些在所有细胞里都恒定表达或几乎不表达的基因（管家基因、零表达基因），放进去只会稀释信号，增加噪声。

第二，速度上更快。单细胞数据动辄几千上万个细胞，基因数近两万，全量跑PCA和邻居图计算代价很大。缩减到两三千个高变基因，计算量降了一个量级，而且结果往往更稳。

不过有件事得提醒：是否所有数据都必须用高变基因？不一定。如果你的研究就盯着某个特定基因集（比如免疫相关的几百个基因），完全可以绕过全局高变基因筛选，直接基于自定义基因集做后续分析。但这种做法的前提是你对研究假设非常笃定。对通用探索性分析来说，老老实实跑一遍高变基因筛选是最不容易出错的路线。

另外一个小细节，很多人会忽略：在筛选高变基因后，非常建议把adata.raw存一份原始对数化矩阵。因为之后你做的任何降维、聚类、标记基因识别，一旦想回头查看某个基因在所有细胞中的原始表达情况，从adata.raw取最稳妥。这行代码几乎是我每个项目必写的：

adata.raw = adata.copy()

如果你是从scanpy现成的教程数据集（比如pbmc3k）入门的，这些步骤都有标准答案。但换成自己的真实数据，各种边角问题就冒出来了。下面正式进入本篇的主题——降维、聚类、注释。

2. PCA降维：为什么单细胞分析绕不开这一步

2.1 PCA不是为了出图，而是为了去噪和压缩

很多新手看到PCA第一反应是：这玩意儿画出来又看不懂，为什么不直接拿高变基因去做UMAP和聚类？这个问题问得非常到位。

PCA在这里的角色，可以类比成给一堆嘈杂的声音做“降噪抽取主旋律”。高变基因有两千多个，但大多数基因的表达模式是有相关性的。比如某个细胞亚群会同时上调20个基因，这20个基因并不算20个独立信号，本质上是一组共变模块。PCA做的事，就是把这些共变模块拆成一个个互相正交的“主成分”，每个主成分捕获的方差逐次递减。

scanpy里跑PCA很简单：

import scanpy as sc sc.tl.pca(adata, n_comps=50, svd_solver='arpack')

这里n_comps=50的意思是先算50个主成分，后面用几个另说。svd_solver有两种选项，arpack适合矩阵规模中等、内存有限的情况；数据量特别大的话，可以换randomized，速度更快，但精度稍微有点损失——实际使用中我很少感受到两者结果有明显差异。

2.2 该保留多少个主成分：三个实用判断方法

这是本环节最核心的问题。PCA算出来了50个主成分，但后边聚类如果全部用上，等于又把噪声带回来了。一般推荐的做法是先跑一个elbow plot看看拐点：

sc.pl.pca_variance_ratio(adata, n_pcs=50)

![pca_variance_ratio](这个代码会自动画出一张碎石图，横轴是主成分序号，纵轴是每个主成分解释的方差百分比。你会看到前面几个主成分百分比很高，然后断崖式下跌，后半段趋于平缓。那个“肘部”位置的n_pcs就是通常的建议值。

但说实话，碎石图的拐点很多时候并不明显，尤其是一些组织复杂度高的样本（比如肿瘤组织），方差下降很平缓。这种情况下我有两个常用的补充策略：

累积方差贡献法。看前n个主成分累计解释了多大比例的方差。一般累计到60%-80%区间比较合理。scanpy里可以直接这样查看：

import numpy as np # 提取每个主成分的方差比 var_ratio = adata.uns['pca']['variance_ratio'] cumsum_ratio = np.cumsum(var_ratio) # 看前30个主成分累计解释了多少方差 print(cumsum_ratio[29])

经验法则。基于我实际跑过的几十个样本，大部分外周血、PBMC数据保留15-25个主成分效果最好；组织样本因为细胞类型更混杂，信号维度更多，经常需要到20-35个。少于10个通常偏少，说明数据里的异质性没被充分捕获；多于50个往往过度拟合，聚类容易把一些技术性伪影当成分群信号。

2.3 PCA结果怎么快速检查

跑完PCA，别急着往下走。先看一眼主成分的热图，判断前几个主成分是不是押在已知的细胞类型或批次信号上：

sc.pl.pca_loadings(adata, components='1,2,3')

这个图会展示每个主成分上贡献最大的那些基因。如果你做的是免疫细胞样本，PC1上出现CD3D、CD3E这类T细胞标志基因，或者LYZ、S100A8这类髓系标志基因，那就说明主要变异信号确实是细胞类型差异。

反过来，如果前几个主成分主要贡献来自线粒体基因或核糖体基因（一堆MT-开头和RPS/RPL开头），那就要警惕了。这说明数据里残留的技术性噪音（如破碎细胞比例过高）还没有被完全清理干净，可能得回头调整质控阈值。

另一个快速检查维度，是看PCA图上有没有非常明显的某个来源标签分群（比如测序批次、样本编号、建库日期）。如果分群太整齐，往往提示数据中有强批次效应——这个问题在后边介绍批次整合的方法时再展开。

3. 邻居图与UMAP/tSNE：可视化背后的计算逻辑

3.1 为什么scanpy要先构建邻居图再画UMAP

很多人把UMAP当成一个普通的“降维画图函数”，总觉得sc.tl.umap这一步是纯可视化的。这个想法不能说错，但它会让你错过理解整个分析逻辑的机会。

scanpy的做法是两步走：

sc.pp.neighbors(adata, n_neighbors=15, n_pcs=20) sc.tl.umap(adata, min_dist=0.5)

第一步pp.neighbors构建的是细胞间的“连接关系图”。它基于PCA空间（默认取你指定的前20个主成分）计算细胞间的距离，然后用KNN算法找出每个细胞最近的15个邻居，最终生成一个带权重的图结构——每个细胞是图上的一个点，细胞间的连线权重代表它们的相似度。

第二步tl.umap才是把这张高维图嵌入到二维平面。注意，UMAP在这个阶段已经不再直接使用PCA坐标，而是在邻居图的基础上做“图布局”优化。这也是为什么如果你改了n_neighbors或n_pcs，哪怕PCA结果一模一样，UMAP图也完全不同。

3.2 n_neighbors和min_dist到底怎么调

这两个参数是画图时最常被反复调整的。先说结论：它们直接影响的是“分辨率”和“局部结构保留”的trade-off。

n_neighbors控制UMAP在计算时考虑多大的局部邻域。值设得越小（比如5-10），算法越关注细胞之间的精细局部结构，画出来的图往往更“碎”、更多小簇；值设得越大（比如20-30），算法越关注全局结构，画出来的图更“拢”、大群之间边界更清楚。

min_dist控制最终图上点与点之间的最小间距。值越小，点挤得越紧，簇和簇之间的分离越明显；值越大，点排列越松散，但可能牺牲一些局部结构的可读性。

给一个参考起点：目前的默认min_dist=0.5其实对很多免疫细胞场景略微偏大。我在PBMC数据上常用的配置是：

sc.pp.neighbors(adata, n_neighbors=15, n_pcs=20) sc.tl.umap(adata, min_dist=0.3)

这个组合在区分T细胞亚群（CD4 vs CD8，naive vs memory）时表现不错。如果你主要目标是看大类群（比如五大免疫细胞谱系），可以试试n_neighbors=20, min_dist=0.5，画面会干净利落不少。

3.3 tSNE什么情况下还能派上用场

这个话题几乎每逢单细胞分析都会被拿出来对比。现在的实际状态是：UMAP基本是主流，tSNE被提起得越来越少。但不能因此就认定“tSNE没用”。

tSNE有一个特性是所有数据可视化工具都比不上的——它对局部结构的保持极其敏感。同一个数据，UMAP可能已经能把预想的细胞亚群分开，tSNE则能把这些亚群内部的层次关系也显示出来。代价是tSNE计算极慢，而且相空间里远距离细胞的几何关系几乎不具有任何解释性。

我个人的建议是：最终发表图用UMAP，但探索数据阶段可以同时画一张tSNE做交叉验证。尤其是当你发现UMAP上某个亚群边界模糊、疑似中间态细胞很多的时候，tSNE往往能告诉你这些中间态细胞到底更贴近哪一头。scanpy里tSNE的实现也很简单：

sc.tl.tsne(adata, n_pcs=20, perplexity=30) sc.pl.tsne(adata, color='cell_type')

perplexity可以理解为tSNE的邻居数，一般设在15-50之间。计算慢是老问题，所以我现在基本只在关键样本上用。

3.4 邻居图的中间产物怎么帮助判断

还有一个容易被忽视但很有用的图：sc.pl.neighbors(adata)会把构建出来的邻居图以非布局方式画出来，主要用于观察图的连通性。如果图中存在大量完全孤立、不跟任何簇相连的“孤岛”，往往是低质量细胞或doublet的体现。这类细胞在后边聚类时会单独扯出一个簇，干扰注释。

看到这种情况，我通常会把这些孤岛标出来，回到原始QC指标（总counts、基因数、线粒体比例）上检查。如果确认是低质量细胞，可以考虑在聚类前再过滤一轮，比聚类后手动删稳妥。

4. Leiden聚类：分辨率参数和结果评估

4.1 从Louvain到Leiden，聚类算法到底换了个什么

scanpy早期版本教程里默认是Louvain算法，现在新版本基本默认Leiden。这两个算法都是社区发现算法——把图里的节点（细胞）划分成内部连接紧密、外部连接稀疏的社团（细胞群）。

Louvain在2019年被发现一个病理性的缺陷：它可能产生“断开的社区”。意思是算法把一些明明没有联系的节点强行划分为同一社区。这个bug在单细胞场景下危害不小，因为你可能看到一个“细胞群”里其实混合了两种完全无关的细胞。Leiden算法正是针对这个问题提出的改进，它做了一步额外的细化（refinement），确保输出的社区是内部连通的。

因此在scanpy里，我从新版开始基本直接用：

sc.tl.leiden(adata, resolution=0.8, key_added='leiden_0_8')

注意key_added的作用，把每次不同resolution的聚类结果存到不同key里。这样后面你想对比分辨率1.0和0.5的聚类差异，只需要来回切换颜色标签，不必重跑聚类。

4.2 resolution参数：别再用单一数值走天下了

分辨率是聚类的核心超参数，也是新手最困惑的地方。它的直观意义是：分辨率越高，聚类出来的群越细、越多；分辨率越低，群越粗、越少。

但是这个“多少算合适”，没有统一答案，取决于你的生物学问题。举两个典型例子：

如果你研究的目标是“患者外周血里的免疫细胞组成”，那分辨率0.5-1.0就够——它能把T、B、NK、Monocyte这些大群分出来。但如果你要深挖T细胞里的亚型（Naive、CM、EM、EMRA、Treg），分辨率经常得调到1.2-2.0，不然这些亚型会被压在一个超大簇里看不出来。

我通常的做法是跑一系列分辨率：

for res in [0.1, 0.3, 0.5, 0.8, 1.0, 1.5, 2.0]: sc.tl.leiden(adata, resolution=res, key_added=f'leiden_{res}')

然后把leiden_0.8设定为主要分析标签，再根据后续marker基因在各res下的表现决定要不要微调。这里的关键判断不是“哪个分辨率更漂亮”，而是“哪个分辨率下，每个簇都能找到相对清晰的marker基因身份”。

4.3 聚类结果怎么看质量：三个切入点

聚类跑完不能直接去注释，先做三件事。

第一，看各簇的细胞数和占比：

adata.obs['leiden_0.8'].value_counts()

理想情况下，不应该有特别大（比如占到总数30%以上）的单簇，也不该有特别小（比如只有几十个细胞）的碎簇。如果有，别急着注释，先回到数据检查。

第二，看PCA空间里聚类的分布。聚类是基于邻居图做的，而邻居图又基于PCA空间。回头在PCA图上上色：

sc.pl.pca(adata, color='leiden_0.8')

如果出现两个不同的leiden簇在PCA空间中几乎完全重叠，说明聚类分辨率偏低，或这两个簇之间的边界本来就很模糊。如果同一簇在PCA空间中明显断开成两块，说明聚类偏碎。

第三，检查是否存在“批次标签”与聚类结果强相关。如果你有多个样本合并成一个adata，用批次信息上色看看：

sc.pl.umap(adata, color=['leiden_0.8', 'batch'])

如果每个leiden簇内都基本只来自同一个批次，那说明聚类的驱动力很可能不是生物学信号，而是批次效应。这种情况比较麻烦，后续要么做批次整合（如Harmony、scVI），要么至少得把批次标签作为混杂因素在注释和差异分析时加以说明。

4.4 聚类树状图和marker热图，确定最终分辨率

这是一个很多人不知道的小技巧。scanpy里可以用sc.tl.dendrogram对聚类结果做层次聚类，看哪些簇在表达谱上更相似：

sc.tl.dendrogram(adata, groupby='leiden_0.8') sc.pl.dendrogram(adata, groupby='leiden_0.8')

如果两个相邻的leiden簇在树状图上非常接近，并且合并后marker基因模式也没有显著差异，说明当前分辨率把它们分得过头了。反过来，如果树状图上距离很远的两个簇被归在一起，说明存在不合理的分裂。

同时，用marker基因热图辅助判断：

marker_genes = { 'T': ['CD3D', 'CD3E'], 'B': ['MS4A1', 'CD79A'], 'NK': ['NKG7', 'GNLY'], 'Monocyte': ['LYZ', 'S100A8'], } sc.pl.dotplot(adata, marker_genes, groupby='leiden_0.8')

哪个分辨率下每个候选簇在对应marker上出现干净的唯一表达模式，就选哪个。这个流程比单纯盯着“多少个簇最好看”要有依据得多。

5. 细胞注释：从marker基因到自动注释，一个都不能少

5.1 先区分：你是做“谱系注释”还是“状态注释”

细胞注释看起来只是一步，其实包含两个层次。

谱系注释指的是确定细胞属于哪个大类：T细胞、B细胞、NK细胞、髓系细胞、上皮细胞、成纤维细胞等。这是所有单细胞分析的第一步，相对容易，因为大类之间有非常清晰的marker基因。

状态注释指的是在谱系确定后再细分：比如T细胞里的CD4 vs CD8，naive vs memory vs exhausted；巨噬细胞里的M1 vs M2样。这一步难度大得多，因为同一谱系内不同状态的表达差异往往是连续的，没有绝对的黑白边界。

两种注释策略完全不同。谱系注释可以依赖经典marker表 + 表达矩阵快速搞定；状态注释则需要更细致的打分、单基因成像、甚至结合轨迹分析才能下结论。

5.2 经典marker基因速查表（人外周血/免疫组织）

实战中最常用的marker基因，整理一份我自己的速查表：

这份表投射到scanpy里注释的做法是这样，先用sc.tl.rank_genes_groups给每个leiden簇找差异基因，然后手动检查每个簇的top差异基因是否落到上表的对应组合里。

sc.tl.rank_genes_groups(adata, groupby='leiden_0.8', method='wilcoxon') sc.pl.rank_genes_groups(adata, n_genes=20, sharey=False)

rank_genes_groups的输出会按每个簇列出差异最显著的基因（默认按adjusted p-value排名）。这里要小心一个常见误区：差异表达排名第一的基因并不等于是这个簇最有特异性的marker。因为wilcoxon检验看的是差异显著性，而显著性同时受效应量和样本量影响。一个高变基因在一个大簇里可能p值极小但实际表达量差异很小。

所以更稳妥的做法是结合sc.tl.score_genes做一个基因集打分，专门评估每个簇在核心marker组合上的得分：

sc.tl.score_genes(adata, gene_list=['CD3D', 'CD3E', 'CD2'], score_name='T_score') sc.tl.score_genes(adata, gene_list=['MS4A1', 'CD79A', 'CD19'], score_name='B_score') sc.pl.umap(adata, color=['T_score', 'B_score'])

哪个簇T_score高而其他基因评分低，它就大概率是T细胞。这个思路比单看一个marker要稳健得多，因为单基因可能出现dropout（某些细胞该基因没有捕获到表达），但多个基因联合打分能大幅降低这种假阴性风险。

5.3 自动注释工具怎么用：SingleR和CellTypist的取舍

手动注释虽然直观，但到大样本（几万甚至几十万个细胞）时非常费人力，而且不同人的注释标准未必一致。这时候自动注释工具是很好的加速器。

SingleR是较早也较流行的参考集注释方法，基于参考转录组数据集，计算每个测试细胞与参考集中各细胞类型的相关性，挑最匹配的标签。用法大致是：

import SingleR # 参考数据需要是已注释好的表达矩阵 ref_data = ... ref_labels = ... pred = SingleR.annotate(test=adata.to_df().T, ref=ref_data, labels=ref_labels)

但SingleR有个问题就是它非常吃参考集的代表性。参考集里没有的细胞类型，它也没法识别，只能硬给一个最接近的标签。而且它基于「相关性」做判断，对状态连续的高可塑性细胞（如巨噬细胞极化中间态）容易给错。

CellTypist是近两年比较受欢迎的新选择，基于深度学习模型，在免疫细胞注释上准确率表现不错。它有个网站版，也有Python API。使用逻辑比较简单：

from celltypist import models, classify model = models.Model.load(model='Immune_All_High.pkl') predictions = classify(adata.to_df().T, model=model)

我觉得最务实的方案是**“自动工具初筛 + 手动复核”双轨制**：先用CellTypist或SingleR给出候选注释，然后在UMAP上用marker基因打分和rank_genes_groups验证每个标签是否站得住。或者反过来——先手动注释，再用自动工具检查有没有漏掉的稀有种群。这两种路径我都用过，推荐后者的次数更多，因为手动注释能保留你对数据的直觉，自动工具只作为安全网。

5.4 注释结果怎么展示和落地

注释最终会回写成一个列：

adata.obs['cell_type'] = adata.obs['leiden_0.8'].map(cluster_to_celltype)

映射表一般是一个字典，比如{'0': 'CD4 T', '1': 'CD8 T', '2': 'B', ...}。如果某个簇的注释你迟疑不决，建议明确标成“未知”或“暂定”。硬要给出一个标签，后续下游分析可能会被这个小错误污染。

注释完成后的展示组合有很多。我常用的几组：

sc.pl.umap(adata, color=['cell_type', 'leiden_0.8', 'CD3D', 'CD79A']) sc.pl.dotplot(adata, marker_genes, groupby='cell_type') sc.pl.heatmap(adata, marker_genes, groupby='cell_type')

到这里，一个单样本的“降维—聚类—注释”主流程就闭环了。至于差异表达、富集分析、细胞通讯这些下游内容，全部建立在这个注释结果之上——注释错了，后面全得推倒重来。所以哪怕前面几步跑得再快，注释这一步也值得花最多时间反复确认。

6. 这几个坑我在真实数据上踩过，提前替你试试

本章是我的私货时间，全是从自己跑过的PBMC、肿瘤和自身免疫病样本里总结出来的经验教训，不一定写在任何官方文档里，但基本都会遇到。

6.1 doublet混入导致“神秘新细胞类型”

场景重现：聚类注释时发现一个簇，marker表达看起来很“杂”——既表达NK细胞的NKG7、GNLY，又高表达T细胞的CD3D。在UMAP图上它往往位于T和NK两个大簇的中间地带。

这就是典型的doublet（两个细胞被一个液滴捕获）特征。处理方式有两个方向：

• 分析流前方加scvi的SOLO或scrublet做doublet预测，把高分doublet细胞直接过滤掉。
• 或者在注释阶段看到这种“不伦不类”的簇，别强行命名，先把它标为“疑似doublet”，后续单独剔除。

我比较推荐两手都做：前期过滤掉明显的，后期聚类看到可疑的再用DoubletFinder或scrublet复核。

6.2 高变基因筛选和降维的基因集不一致

这个问题通常出现在你做了两轮高变基因筛选之后。比如第一轮筛选跑出了3000个高变基因，后续你用adata.var['highly_variable']做了PCA；然后你换了个参数又跑了一遍高变基因筛选。此时adata.var里的布尔标签被覆盖了，但PCA结果还是基于旧的高变基因集合——两者对不上。

如果后续别人（或者三个月后的你）拿到这个adata重新跑聚类，用新的高变基因子集做PCA，聚类结果会完全不同。scanpy本身不会帮你检查这点。我的习惯是：高变基因筛选只做一次，确定参数后记录在案；不到万不得已不变更。如果确实要重跑，严格重头开始，不保留之前的PCA结果。

6.3 注释时只信“新手套餐”marker

很多入门教程都只给几个最泛化的marker比如CD3、CD19、LYZ，这在PBMC数据里够用。但换成组织样本就远不够了。举个例子，组织里的巨噬细胞和树突状细胞都高表达CSF1R和C1Q，单看这两基因很难分开；内皮细胞和某些成纤维细胞也都可能低表达PECAM1。

经验法则是：每个候选细胞类型至少准备3-5个marker，其中至少包含一个正marker和一个负marker。比如鉴定CD4 T细胞，不只要看CD4的表达，还要排除CD8A、NKG7；鉴定cDC2，不能只看CD1C，还要确认LILRA4阴性（排除pDC）。

6.4 批次效应在聚类上表现“完美”但令人警惕

有些样本做批次整合后，UMAP看起来非常干净——每个批次完全混合在一起。但这时候要多个心眼：过强的批次整合可能把真实的生物学差异也抹掉了。比如同一个个体治疗前后的细胞状态变化，如果批次和生物学变量完全混淆（治疗前=批次1，治疗后=批次2），那么批次整合模型会把治疗效应也当作批次效应给纠正掉。

在没有明确实验设计能分离“批次”和“生物学差异”的情况下，我通常先不着急整合，而是分别跑单样本聚类注释，然后用跨样本聚类比较的方式分析。只有确认批次效应成为分析瓶颈后，才考虑Harmony或scVI。

6.5 UMAP图的“距离”——别当它是真实的生物学距离

新手最容易产生的误解是认为UMAP上两个簇离得远，就代表它们生物学差异大。严格来说，这个说法只在很粗糙的层面成立。UMAP做了非线性变换，图上的欧几里得距离不能直接解读为转录组距离。

所以当你在UMAP上看到某个过渡态的细胞群时，别急着下结论说“这是分化中间态”，建议用sc.tl.draw_graph（基于ForceAtlas2布局）或直接回到PCA距离做量化验证。

6.6 聚类分辨率审稿人问起怎么答

这算个加分项。如果投稿时审稿人问“为什么选resolution=0.8”，你不能只回答“试了几个觉得顺眼”。比较好的做法是：给出一系列分辨率的聚类结果，然后展示你选择特定分辨率时的marker基因表达一致性检查，以及关键簇在新分辨率下是否保持稳定。这个稳定性验证的过程，也是你自己对注释质量的一次压力测试。

从PCA到聚类再到注释，这条流程跑通不难，跑好很难。难点不在函数调用，而在每一步你都能为自己的参数选择给出生物学上的解释。降维时知道为什么选20个PC，聚类时知道为什么选0.8的分辨率，注释时知道为什么给这个簇冠上“CD8 resident memory T”的名称——这些“为什么”才是分析质量的分水岭。

后面如果要继续扩展，可以在这个基础上做细胞类型特异的差异表达、拟时序分析、细胞通讯推断。但前提都是本篇文章里这个基础打得足够扎实。祝顺利，拿到数据别急着出图，先把每个细胞的身份搞清楚。