单细胞与空间转录组基因集打分方法全解析：从原理到实战

最新推荐文章于 2026-05-22 12:26:35 发布

原创

最新推荐文章于 2026-05-22 12:26:35 发布 · 246 阅读

1. 基因集打分：为什么它成了单细胞与空间转录组分析的“刚需”？

如果你最近在分析10X单细胞或者空间转录组数据，肯定对“基因集打分”这个词不陌生。它就像一个万能的计算器，能帮我们回答一个核心问题：我关心的那组基因（比如某个信号通路、细胞功能状态、疾病特征），在哪些细胞里特别活跃？

听起来很简单，对吧？但实际操作起来，你会发现这里面的水很深。我刚开始做肿瘤微环境分析的时候，想把一个经典的“上皮间质转化（EMT）”基因集在单细胞数据里做个打分，看看哪些肿瘤细胞更具侵袭性。结果一搜方法，GSEA、GSVA、AUCell、UCell、AddModuleScore……十几种算法摆在面前，参数还各不相同，瞬间就懵了。选错了方法，不仅结果不靠谱，还可能得出完全相反的生物学结论。

为什么基因集打分在今天变得如此重要？我总结下来主要是三个原因。第一，单细胞数据太稀疏了。单个基因的表达波动很大，噪音多，直接看某个Marker基因的表达高低，经常说不清楚。但如果我们把功能相关的一群基因（一个基因集）打包起来看它们的“集体表现”，信号就稳定多了，更能反映细胞的功能状态。第二，生物学问题越来越精细。我们不再满足于知道这是T细胞还是B细胞，我们想知道这群T细胞是耗竭的、记忆性的还是效应性的？肿瘤细胞是处于增殖状态还是代谢重编程状态？这些精细的亚群特征，往往由一组协同工作的基因来定义，必须靠基因集打分来量化。第三，空间转录组的兴起。空间数据每个Spot（捕获点）里都是多个细胞的混合体，直接看单个基因表达更是“一团浆糊”。用基因集打分，我们可以有效评估每个Spot区域整体上更富集哪种功能（比如“免疫浸润”、“血管生成”），从而把复杂的空间表达模式解读成直观的功能图谱。

所以，无论你是做发育、免疫、神经还是肿瘤研究，基因集打分都是把海量基因表达数据“翻译”成可理解的生物学语言的关键一步。这篇文章，我就结合自己踩过的坑和实战经验，带你彻底搞懂主流打分方法的原理、优缺点和怎么选，并用详细的代码示例手把手教你跑通一个从打分、整合到可视化的完整流程。

2. 核心算法原理解析：从“样本依赖”到“单样本排名”的进化

面对琳琅满目的算法，我们得先抓住它们的本质区别。根据算法是否需要所有样本一起计算作为背景，可以粗略分为两大类：依赖样本背景的方法和基于单样本排名的方法。这个区别，在整合多样本数据（尤其是涉及批次效应）时，至关重要。

2.1 依赖样本背景的经典方法：GSEA、GSVA与AddModuleScore

这类方法在计算某个样本的得分时，需要用到所有样本的信息来构建背景分布或进行标准化。在传统的批量转录组分析中，它们表现优异，但在单细胞和空间转录组整合分析中，可能会引入批次效应的干扰。

GSEA 大家都很熟悉。它的核心思想是：先根据样本分组（比如肿瘤 vs 正常）对所有基因按差异程度（如logFC）排序，得到一个从最上调到最下调的基因列表。然后看我们关心的基因集（比如某个通路）的成员，是更多地聚集在这个排序列表的顶部（上调）还是底部（下调）。关键在于，这个排序是基于所有样本比较产生的。如果你的数据来自多个批次，批次效应会直接影响基因的排序，从而干扰富集结果。所以，对于未校正批次效应的整合数据，使用GSEA需格外谨慎。

GSVA 的思路很巧妙，它直接把“基因表达矩阵”转换成“通路活性矩阵”。算法会为每个样本的每个基因计算一个经验累积分布函数，然后评估基因集成员在这个分布中的位置，最终得到一个代表通路活性的分数。问题同样在于，这个分布的计算考虑了所有样本。如果样本构成不同（比如批次间细胞类型比例差异大），计算出的分布就会不同，导致同一个基因集在不同批次数据中的得分可能缺乏可比性。

AddModuleScore 是Seurat包内置的函数，用起来非常方便。它的计算过程是：先计算目标基因集内所有基因的平均表达量，然后根据这个平均值将表达矩阵分成若干个区间（bin），最后从每个区间里随机抽取非基因集基因作为背景基因，用基因集表达与背景表达的差值作为得分。这里有个“坑”：随机抽样。这意味着，即使对相同的数据、相同的基因集运行两次AddModuleScore，由于背景基因的随机选择，得到的分数也可能有细微差异。在需要精确比较的场合，这可能是个问题。