单细胞组学
在单细胞分辨率下解析组织异质性，精准定义细胞亚群及其分化轨迹。
10X单细胞转录组
10x单细胞转录组技术是基于微流控系统与高通量测序的前沿组学技术，核心用于单个细胞水平的mRNA表达谱分析，可同时捕获数千至数万个细胞的基因表达信息，精准区分细胞亚群、解析细胞异质性及基因调控网络。相较于传统 bulk RNA-seq 技术，其打破了细胞群体平均化研究的局限，能捕捉到稀有细胞类型、动态细胞状态及细胞间的功能差异。 该技术已成为生物医学、肿瘤学、神经科学、发育生物学等领域的核心研究手段，广泛应用于肿瘤微环境解析、细胞分化轨迹重构、稀有细胞亚群鉴定、疾病机制探究及药物靶点筛选等场景。无论是基础科研中的细胞命运调控研究，还是临床中的疾病分型与精准治疗指导，10x单细胞转录组都能提供深度的分子层面证据，推动科研与临床向“单细胞分辨率”迈进。
原理介绍
10x单细胞转录组技术核心基于“微流控捕获-单细胞标记-逆转录-高通量测序”的技术体系，依托独特的油包水微滴系统实现单个细胞的精准捕获与标记，核心原理如下： 通过微流控芯片将单个细胞、带有独特细胞 barcode 和分子 barcode 的凝胶珠（Gel Bead）及逆转录试剂包裹在同一油包水微滴中，确保每个微滴内仅含一个细胞和一个凝胶珠。凝胶珠溶解后释放 barcode 序列，在逆转录过程中，每个细胞的 mRNA 被逆转录为 cDNA，且每一条 cDNA 都带有专属的细胞 barcode 和分子 barcode。 后续通过 cDNA 扩增、文库构建与高通量测序，借助细胞 barcode 可将测序 reads 精准分配至对应的单个细胞，通过分子 barcode 可实现基因表达的绝对定量，最终获得每个细胞的基因表达谱，进而实现细胞亚群分类、异质性分析及基因调控网络解析。
文献案例
《Frontiers》发表题为“Single-cell transcriptomics reveals tumor microenvironment remodeling in hepatocellular carcinoma with varying tumor subclonal complexity”的研究，借助10x单细胞转录组技术，解析了不同亚克隆复杂性肝细胞癌（HCC）的肿瘤微环境重塑特征，为精准治疗提供依据。研究采集不同亚克隆复杂性的HCC肿瘤及癌旁组织，通过10x Genomics技术捕获测序数万单个细胞，解析肿瘤细胞、免疫细胞及基质细胞的表达谱差异。结果显示，高亚克隆复杂性HCC中，免疫抑制性细胞（如调节性T细胞、M2型巨噬细胞）浸润增加，同时基质细胞活化相关基因表达上调，形成促肿瘤微环境。
送样标准
重量≥0.1g/份，取材后立即置于组织保存液中，4°C冷藏运输（避免冷冻），24小时内送达；注明组织类型、部位、患者信息及处理条件，避免组织坏死或降解。
细胞浓度1×10⁵-1×10⁶个/mL，体积≥1mL/份，用无血清培养基重悬，添加0.04%牛血清白蛋白；4°C冷藏运输，避免震荡；确保细胞活性≥85%，无杂质、聚团及红细胞污染。
体积≥2mL/份，EDTA抗凝，4°C冷藏运输，6小时内送达；避免溶血，需注明采血时间、是否经过外周血单个核细胞（PBMC）分离。
细胞量≥1×10⁶个/份，消化为单细胞悬液后用无血清培养基重悬，4°C冷藏运输；注明细胞系名称、培养条件、处理方式（药物干预、诱导分化等），确保细胞活性达标。
细胞沉淀≥5×10⁶个/份，用冻存液冻存后液氮保存，干冰运输；解冻后需立即制备单细胞悬液，注明冻存时间及解冻方法，尽量降低细胞损伤。
交付内容
原始测序数据
包含Fastq格式原始测序 reads、测序质量控制报告（Q30值、GC含量、接头污染率等）、barcode分配统计数据。
数据分析报告
涵盖细胞过滤与聚类分析图、细胞亚群注释结果、差异表达基因分析（火山图、热图）、细胞轨迹分析、基因富集与调控网络分析及核心结论解读。
技术支持文档
提供单细胞悬液制备方案、文库构建参数、测序流程说明、数据分析流程代码及结果可视化指南，协助后续深入研究。
常见问题
①单细胞悬液制备不佳，存在细胞聚团，未完全解离为单个细胞；②微流控捕获时油包水微滴异常，导致多个细胞被包裹在同一微滴（双细胞/多细胞）；③测序数据中barcode分配错误。解决方法：优化悬液制备流程，通过筛网过滤去除聚团；调整细胞浓度，降低双细胞捕获概率；数据分析时通过算法过滤双细胞数据，优化聚类参数。
①增加总细胞捕获量，提高稀有细胞被捕获的概率；②优化样品处理方式，避免稀有细胞丢失（如轻柔消化、低温离心）；③采用细胞分选技术（如流式分选）预富集稀有细胞亚群后再进行测序；④选择高捕获效率的试剂与平台，确保低丰度细胞的有效捕获。
①结合已知细胞标志物基因（如CD4、CD8A标记T细胞，EPCAM标记上皮细胞）进行手动校正；②整合公共单细胞数据库（如Single Cell Atlas）的参考表达谱，辅助亚群注释；③优化聚类参数，调整分辨率，避免亚群过度拆分或合并；④结合多组学数据（如蛋白标志物）交叉验证注释结果。
