單細胞組學
在單細胞解析度下解析組織異質性，精準定義細胞亞群及其分化軌跡。
10x 單細胞轉錄組
10x 單細胞轉錄組技術為基於微流控系統與高通量測序的前沿組學技術，核心用於單個細胞層級的 mRNA 表達譜分析，可同時捕獲數千至數萬個細胞的基因表達資訊，精準區分細胞亞群、解析細胞異質性及基因調控網絡。相較於傳統 bulk RNA-seq 技術，其打破細胞群體平均化研究的侷限，能捕捉稀有細胞類型、動態細胞狀態及細胞間的功能差異。該技術已成為生物醫學、腫瘤學、神經科學、發育生物學等領域的核心研究手段，廣泛應用於腫瘤微環境解析、細胞分化軌跡重構、稀有細胞亞群鑑定、疾病機制探究及藥物標靶篩選等場景，為科研與臨床邁向「單細胞解析度」提供深度的分子層級證據。
原理介紹
10x 單細胞轉錄組技術核心基於「微流控捕獲—單細胞標記—逆轉錄—高通量測序」技術體系，依託獨特的油包水微滴系統實現單個細胞的精準捕獲與標記：透過微流控晶片將單個細胞、帶有獨特細胞 barcode 與分子 barcode 的凝膠珠（Gel Bead）及逆轉錄試劑包裹在同一油包水微滴中，確保每個微滴內僅含一個細胞與一個凝膠珠。凝膠珠溶解後釋放 barcode 序列，在逆轉錄過程中，每個細胞的 mRNA 被逆轉錄為 cDNA，且每一條 cDNA 都帶有專屬的細胞 barcode 與分子 barcode。後續透過 cDNA 擴增、文庫建構與高通量測序，藉由細胞 barcode 將測序 reads 精準分配至對應的單個細胞，透過分子 barcode 實現基因表達的絕對定量，最終獲得每個細胞的基因表達譜，進而實現細胞亞群分類、異質性分析及基因調控網絡解析。
文獻案例
《Frontiers》發表題為 "Single-cell transcriptomics reveals tumor microenvironment remodeling in hepatocellular carcinoma with varying tumor subclonal complexity" 的研究，借助 10x 單細胞轉錄組技術，解析不同亞克隆複雜性肝細胞癌（HCC）的腫瘤微環境重塑特徵，為精準治療提供依據。研究採集不同亞克隆複雜性的 HCC 腫瘤及癌旁組織，透過 10x Genomics 技術捕獲測序數萬個單細胞，解析腫瘤細胞、免疫細胞及基質細胞的表達譜差異。結果顯示，高亞克隆複雜性 HCC 中，免疫抑制性細胞（如調節性 T 細胞、M2 型巨噬細胞）浸潤增加，同時基質細胞活化相關基因表達上調，形成促腫瘤微環境。
送樣標準
重量≥0.1g/份，取材後立即置於組織保存液中，4°C 冷藏運輸（避免冷凍），24 小時內送達；註明組織類型、部位、患者資訊及處理條件，避免組織壞死或降解。
細胞濃度 1×10⁵–1×10⁶個/mL，體積≥1mL/份，用無血清培養基重懸，添加 0.04% 牛血清白蛋白；4°C 冷藏運輸，避免震盪；確保細胞活性≥85%，無雜質、聚團及紅血球污染。
體積≥2mL/份，EDTA 抗凝，4°C 冷藏運輸，6 小時內送達；避免溶血，需註明採血時間、是否經過周邊血單核細胞（PBMC）分離。
細胞量≥1×10⁶個/份，消化為單細胞懸液後用無血清培養基重懸，4°C 冷藏運輸；註明細胞株名稱、培養條件、處理方式（藥物干預、誘導分化等），確保細胞活性達標。
細胞沉澱≥5×10⁶個/份，用凍存液凍存後液氮保存，乾冰運輸；解凍後需立即製備單細胞懸液，註明凍存時間及解凍方法，盡量降低細胞損傷。
交付內容
原始測序資料
包含 Fastq 格式原始測序 reads、測序品質管制報告（Q30 值、GC 含量、接頭污染率等）、barcode 分配統計資料。
資料分析報告
涵蓋細胞過濾與聚類分析圖、細胞亞群註釋結果、差異表達基因分析（火山圖、熱圖）、細胞軌跡分析、基因富集與調控網絡分析及核心結論解讀。
技術支援文件
提供單細胞懸液製備方案、文庫建構參數、測序流程說明、資料分析流程程式碼及結果視覺化指南，協助後續深入研究。
常見問題
①單細胞懸液製備不佳，存在細胞聚團，未完全解離為單個細胞；②微流控捕獲時油包水微滴異常，導致多個細胞被包裹在同一微滴（雙細胞 / 多細胞）；③測序資料中 barcode 分配錯誤。解決方法：優化懸液製備流程，透過篩網過濾去除聚團；調整細胞濃度，降低雙細胞捕獲機率；資料分析時透過演算法過濾雙細胞資料，優化聚類參數。
①增加總細胞捕獲量，提高稀有細胞被捕獲的機率；②優化樣品處理方式，避免稀有細胞流失（如溫和消化、低溫離心）；③採用細胞分選技術（如流式分選）預先富集稀有細胞亞群後再進行測序；④選擇高捕獲效率的試劑與平台，確保低豐度細胞的有效捕獲。
①結合已知細胞標誌基因（如 CD4、CD8A 標記 T 細胞，EPCAM 標記上皮細胞）進行手動校正；②整合公共單細胞資料庫（如 Single Cell Atlas）的參考表達譜，輔助亞群註釋；③優化聚類參數，調整解析度，避免亞群過度拆分或合併；④結合多組學資料（如蛋白標誌）交叉驗證註釋結果。
