植物分子实验入门 · 第 10 篇｜从“看懂结果”到“学会选实验”

图 01｜普通 RNA-seq 与单细胞 RNA-seq：观察尺度不同

上一期，我们已经把单细胞转录组里最容易让新手眼花的图拆开了：UMAP 上一个点是什么、cluster 到底代表什么、marker 怎么帮助认出细胞类型，DotPlot 和拟时序又该怎么读。

但当你终于看懂那些五颜六色的小点以后，一个新的问题就出现了：既然单细胞能看得这么细，以后是不是都应该做单细胞？普通 RNA-seq 是不是就不值得做了？

其实不然。同样是测 RNA 表达，普通 RNA-seq 和单细胞转录组最重要的区别，不是哪个更高级，而是“你想在哪个尺度上回答问题”。今天我们就不背参数，试着站在一名刚开始设计课题的研究生角度，想清楚到底怎么选。

记住：先问自己的科学问题需不需要知道“是哪类细胞在变化”，再决定是不是要上单细胞。

一、先弄清楚：两种 RNA-seq 究竟差在哪里？

想象我们取来一小段水稻根。里面有表皮细胞、皮层细胞、内皮层细胞、根毛细胞，还有多种维管组织相关细胞。它们虽然挤在同一块根组织里，承担的任务却并不完全一样。

普通 RNA-seq（bulk RNA-seq）的常见做法，是把取下来的组织一起提取 RNA，测到的是这份混合样本的整体转录本丰度；单细胞 RNA-seq（scRNA-seq）则尝试把细胞分别捕获、标记和测序，建立“基因 × 细胞”的表达矩阵。两种方法都会告诉你基因表达信息，但单细胞额外保留了“这条信息来自哪一类细胞”这个维度。

请注意，“平均表达”是帮新手理解的类比：bulk 的检测值并非把每类细胞简单平均一下，它还与不同细胞的数量、RNA 含量、取样组成等有关。所以不同细胞类型的比例发生变化，也可能改变 bulk 结果。

二、为什么组织平均值有时会把重要变化藏起来？

假设盐处理之后，水稻根里只有一类少数细胞强烈响应，而大部分其他细胞的 Gene A 几乎没有变化。做 bulk RNA-seq 时，这些信号会和其他细胞的 RNA 混在一起，最后看见的是整体水平的变化。单细胞则有机会发现：原来变化集中在根毛细胞或另一类特定细胞里。

举个特意简化的算术例子：假设 90% 的细胞表达量始终为 1，10% 的细胞从 1 变成 10，而且它们对混合信号的贡献相当，那么混合后的值从 1 变成 1.9。对那 10% 的细胞来说是 10 倍，对整个组织来说却只有约 1.9 倍。实际 RNA-seq 的变化还受 RNA 含量、组成和统计分析影响，不能直接套这个公式。

图 02｜组织平均值可能掩盖部分细胞的强烈变化

这不是说 bulk 一定发现不了关键基因。如果变化很强、重复充分、噪声较小，bulk 完全有可能检测到；这里只是提醒大家：整体结果无法直接告诉我们变化究竟发生在哪一类细胞中。

记住：bulk 的“平均”是一种观察尺度，不等于数据没用；单细胞的“拆开”能增加信息，也会带来新的误差来源。

三、什么时候普通 RNA-seq 已经足够？

如果课题原本关注的是“处理后整片叶子或整块根组织发生了什么总体变化”，普通 RNA-seq 往往就是十分合理的选择。比如干旱处理后叶片整体哪些基因上调；一个过表达材料与野生型在相同取样条件下，哪些代谢和信号通路受到影响；或者你只是希望先筛出一批值得后续研究的候选基因。

对于这些问题，你最需要的可能是清楚的材料分组、合适的采样时间、足够的独立生物学重复和可靠的差异分析，而不是细胞分辨率。普通 RNA-seq 的实验、分析和统计框架较为成熟，也更容易在经费允许的范围内安排较充分的重复。

图 03｜什么时候普通 RNA-seq 已经足够？

还可以再问一步：我是不是真的需要把“全组织”都测一遍？如果问题只是确认两三个基因在特定处理后是否变化，qRT-PCR 可能已经够用；如果已有合适的公开数据，也可以先复用数据形成假设。组学并不是每道题都要做的必选项。

四、哪几类问题，单细胞才真的有独特价值？

图 04｜什么研究问题值得进一步做单细胞？

想知道“究竟是哪类细胞在响应”

比如盐胁迫下，水稻根的表皮、皮层和内皮层是否启动了不同的应答程序；病原菌侵染以后，特定细胞类型里是否出现了不同于整片叶子的转录反应。这类问题的关键不是“整块组织变没变”，而是“谁在变”。

怀疑有很重要、却很稀少的细胞群

某类细胞占比很少，但可能承担特殊作用。若它在混合组织中所占比例不大，用 bulk 研究可能难以区分它的信号。单细胞能够帮助寻找细胞异质性和潜在稀有群体，不过能不能捕获到它，仍然受取样规模和制样偏差影响。

研究发育、分化或连续状态变化

例如从根尖分生区走向成熟区，各种细胞状态如何衔接，哪些基因在不同阶段更活跃。单细胞数据适合探索连续转录状态，必要时可进一步进行拟时序分析；但拟时序不是真实时间，更不等于已经证明了真实谱系。

五、单细胞多给我们的，不仅是一张好看的 UMAP

还是用盐胁迫做例子。普通 RNA-seq 找到 Gene A 上调，接下来可以验证它是否真的在盐处理下提高表达。单细胞进一步可以问：Gene A 是在根毛细胞中上调，还是在内皮层中上调？这种变化是每个细胞内部的表达升高，还是某类细胞被捕获的比例变化带来的总体信号差异？

这两件事尤其不能混淆。第一件是同一细胞类型内部的表达变化；第二件是样本中不同细胞类型的比例变化。只有把两者区分开，才更容易形成值得验证的生物学假设。

图 05｜单细胞真正增加的是细胞类型维度

而且，即使某个基因只在根毛细胞群里表达，也不能据此直接说“它决定根毛功能”。这仍然属于表达模式证据，后续可能要结合原位表达、报告系统、基因敲除或过表达材料，才能一步一步判断功能。

六、单细胞不是免费升级：究竟多付出了什么？

单细胞实验通常要解决样品解离或核提取、单细胞/单核捕获、建库质控、细胞过滤、批次效应、聚类、注释、组间比较等一系列问题。所需经费、计算资源和工作量往往比常规 bulk RNA-seq 更高，但具体成本差异会随平台、细胞数、测序深度和服务方案而改变，不能用一张固定价格表判断。

另一个初学者容易忽略的问题是：数据里有几万个细胞，不代表每个细胞中每个基因都测得很完整。单细胞计数往往比较稀疏，一个基因在某个细胞里没有检测到，不能轻易等同于这个基因根本不表达。

图 06｜分辨率更高，也意味着成本与分析挑战

此外，不论 UMAP 分得多漂亮、marker 注释得多整齐，测序仍然主要提供观察性线索。真要说某个基因控制抗性、发育或者细胞命运，依旧要回到可靠的功能验证。

七、为什么植物单细胞比想象中麻烦？

植物细胞有细胞壁，不像许多动物细胞那样容易直接分散。若选择以原生质体为基础的 scRNA-seq，往往需要酶解细胞壁，再把获得的细胞进行捕获和建库。但不同组织的细胞壁特性差异较大：有的细胞容易被释放出来，有的很难，木质化严重的细胞尤其难处理。

麻烦还不止于此。酶解、机械操作和制样时间可能诱发新的应激表达；不同细胞类型的回收效率不一样，最后 UMAP 中的细胞比例就未必等于根组织里的真实比例。所以单细胞的实验方案不仅影响“数据好不好”，也可能影响“哪些细胞根本没被看见”。

图 07｜植物组织解离为何更困难？

因此，设计植物单细胞课题时，要先评估：样品能不能得到足够高质量、足够有代表性的细胞？处理组和对照组的制样条件是否一致？是否有独立重复？是否有条件做原位或其他方式复核细胞类型与定位？

八、如果很难获得完整细胞，还有 snRNA-seq

除了 scRNA-seq，你还会在植物论文里看到 snRNA-seq，意思是单核 RNA 测序。它获取的是细胞核，而不是整个完整细胞，因此可以避开一部分原生质体制备困难，对某些成熟、木质化或不易分散的组织有优势。

图 08｜scRNA-seq 与 snRNA-seq 如何选择？

但千万不要把它理解成“单核肯定更好”。核内与细胞质的 RNA 组成不同；在相同平台与测序设置下，每个核可检测到的转录本、基因种类和丰度特征，也可能与完整细胞不一样。因此两种方法并非拿来直接替换就不会改变结果。

一个比较实际的原则是：有成熟的高质量原生质体流程、目标细胞类型也能被较好捕获，可以考虑 scRNA-seq；组织很难解离、存在明显解离偏倚，或已有成熟的细胞核制备流程，则可以评估 snRNA-seq。真正选型前最好查同作物、同组织已经发表的方案，并结合预实验判断。

九、一万个细胞，真的不等于一万个生物学重复

假设一个盐处理样本测到了 10000 个细胞。它们可能全都来自同一株植物或同一份混合样品。虽然能反映这个样本内许多细胞的不同表达状态，却不能把它们当成 10000 株独立处理过的植物。

生物学重复应当围绕真正独立的实验单位设计，例如独立培养、独立接受处理并独立采样的植株或盆/小区，具体取决于处理是在什么层级施加的。一个盆里的三株植物如果共同接受一次盆级处理，也未必就是三个独立处理重复。

图 09｜细胞数量不能替代独立生物学重复

做细胞类型内的组间差异时，也不能简单把每个细胞都视为一个互不相关的样本。一种常见策略是按“生物学重复 × 细胞类型”汇总单细胞 counts，构成 pseudobulk 后再进行差异分析；关键在于它保留真实重复层级，并不是把同一个样本随意拆成三份就创造出了三个独立重复。

记住：千万别为了增加捕获细胞数，就把原本应该用于独立生物学重复的经费全部压缩掉。

十、真的要立项了，怎样一步一步做决定？

面对导师给出的科研问题，我建议先写下研究对象、实验材料、处理方式和最想得出的结论，然后连续问自己以下几个问题：

图 10｜从科学问题出发的组学选择思路

·第一问：我是想找“整个组织有哪些变化”，还是想找“到底是哪类细胞发生变化”？前者可优先考虑 bulk，后者才有使用单细胞分辨率的必要。

·第二问：已有公开组学、分离组织取样、激光显微切割、GUS/原位检测或 qRT-PCR，能不能更直接回答问题？能的话未必要上单细胞。

·第三问：材料能否高质量解离？如果做不出有代表性的细胞悬液，可以评估单核路线，或先补充预实验。

·第四问：我的预算能否支持合理的独立生物学重复、测序深度、数据分析与后续验证？不要只有一张漂亮 UMAP，却没有说服力。

把选择方法放回真正的植物科研问题里

十一、组学不是论文的终点，选对问题才是起点

从 qRT-PCR、普通 RNA-seq，到单细胞、转录调控、蛋白互作与功能验证，我们在这个系列里见到了很多方法。有些方法告诉你表达量变没变，有些帮你找到变化的细胞类型，有些验证蛋白在哪里或与谁互作，还有些需要真正改变基因，去观察植物表型。

它们之间不是一条固定的“越做越高级”的通关路线。你的课题如果只需知道整片叶子对干旱的总体响应，普通 RNA-seq 完全可以是更适合的选择；如果你已经明确怀疑根内某类细胞存在独特应答，单细胞才可能真正让你看到此前没有分清的那一层。

记住：不要先问单细胞是否更高级，而要先问：我的科学问题是否真的需要“细胞类型分辨率”？

到这里，我们从“看懂实验结果”开始，已经往“学会选择实验”迈进了一步。下一期，我们再往前走：假设你已经通过转录组、GWAS、文献或者突变体筛选得到了一个候选基因，导师说“这个基因你研究一下”，到底应该先验证什么、后做什么？如果一种实验得到阳性或阴性结果，下一步的路线又要怎样调整？

下一期预告｜拿到一个候选基因，下一步到底应该做什么？