支持中心

简体中文

English

简体中文

English

Appearance

单细胞测序中特定基因（内源/外源插入）未检测到的原因分析指南 ​

作者: shirley
时长: 9 分钟
字数: 2.4k 字
更新: 2026-03-20
阅读: 0 次
分析指南 FAQ

本指南旨在指导如何系统性排查单细胞数据分析中，特定基因（如 eGFP、mCherry 或特定内源基因）表达量低或未检出的原因。

检查基因 FASTA 文件和注释 GTF 文件 ​

构建外源基因或准备参考基因组时，FASTA 文件和 GTF 注释文件必须严格符合格式规范，否则会导致比对软件无法识别目标区域或定量失败。

插入基因序列与注释格式要求 ​

插入基因序列文件 (FASTA) 规范 ​

确保外源基因序列已添加到参考基因组 FASTA 文件中，染色体 ID (Header) 需简洁且唯一，严禁包含空格。

bash
>GFP
ATGGTGAGCAAGGGCGAGGAGCTGTTCACCGGGGTGGTGCCCATCCTGGTCGAGCTGGACGGCGACGTAAACGGCCACAAGTTCAGCGTGTCCGGCGAGGGCGAGGGCGATGCCACCTACGGCAAGCTGACCCTGAAGTTCATCTGCACCACCGGCAAGCTGCCCGTGCCCTGGCCCACCCTCGTGACCACCCTGACCTACGGCGTGCAGTGCTTCAGCCGCTACCCCGACCACATGAAGCAGCACGACTTCTTCAAGTCCGCCATGCCCGAAGGCTACGTCCAGGAGCGCACCATCTTCTTCAAGGACGACGGCAACTACAAGACCCGCGCCGAGGTGAAGTTCGAGGGCGACACCCTGGTGAACCGCATCGAGCTGAAGGGCATCGACTTCAAGGAGGACGGCAACATCCTGGGGCACAAGCTGGAGTACAACTACAACAGCCACAACGTCTATATCATGGCCGACAAGCAGAAGAACGGCATCAAGGTGAACTTCAAGATCCGCCACAACATCGAGGACGGCAGCGTGCAGCTCGCCGACCACTACCAGCAGAACACCCCCATCGGCGACGGCCCCGTGCTGCTGCCCGACAACCACTACCTGAGCACCCAGTCCGCCCTGAGCAAAGACCCCAACGAGAAGCGCGATCACATGGTCCTGCTGGAGTTCGTGACCGCCGCCGGGATCACTCTCGGCATGGACGAGCTGTACAAGTAA

插入基因注释文件 (GTF) 规范 ​

单细胞定量软件（如 SeekSoul Tools）通常要求每个基因必须包含 gene、transcript 和 exon 三行信息，且坐标区间需严格对应。

bash
GFP	insert	gene	1	720	.	+	.	gene_id "GFP"; gene_name "GFP"; gene_biotype "protein_coding";
GFP	insert	transcript	1	720	.	+	.	gene_id "GFP"; gene_name "GFP"; transcript_id "GFP"; gene_biotype "protein_coding";
GFP	insert	exon	1	720	.	+	.	gene_id "GFP"; gene_name "GFP"; transcript_id "GFP"; gene_biotype "protein_coding";
GFP	insert	CDS	1	720	.	+	.	gene_id "GFP"; gene_name "GFP"; transcript_id "GFP"; gene_biotype "protein_coding";

示例脚本（以 GFP 为例）：

shell
# 定义变量
GENE="GFP"
CHR="GFP_Chr"
LENGTH=720

# 创建 GTF 文件
echo -e "${CHR}\tUser\tgene\t1\t${LENGTH}\t.\t+\t.\tgene_id \"${GENE}\"; gene_name \"${GENE}\"; gene_biotype \"protein_coding\";" > ${GENE}.gtf
echo -e "${CHR}\tUser\ttranscript\t1\t${LENGTH}\t.\t+\t.\tgene_id \"${GENE}\"; transcript_id \"${GENE}_T1\"; gene_name \"${GENE}\"; gene_biotype \"protein_coding\";" >> ${GENE}.gtf
echo -e "${CHR}\tUser\texon\t1\t${LENGTH}\t.\t+\t.\tgene_id \"${GENE}\"; transcript_id \"${GENE}_T1\"; gene_name \"${GENE}\"; exon_number 1; exon_id \"${GENE}_E1\";" >> ${GENE}.gtf

参考基因组和注释文件的标准化准备 ​

基因组序列文件 (FASTA) 要求规范 ​

  • ID 一致性：FASTA 文件中的染色体 ID (Header 行) 必须与 GTF 文件第一列 (seqname) 完全对应。
  • 子集关系：GTF 中引用的所有 seqname 必须包含在 FASTA 的染色体 ID 集合中。
  • 严禁空格与空行：染色体 ID 中不得包含空格（空格后的内容常被软件截断），且文件中不应有空行。

基因注释文件 (GTF) 详细规范 ​

GTF 文件采用以制表符 (Tab) 分隔的 9 列结构。各列具体要求如下：

列号字段名称描述与规范要求
1seqname染色体或 Contig ID（须与 FASTA 对应）。
2source注释来源（如 RefSeq, GeneScan），若无则填 .。
3feature特征类型。必须包含：gene、transcript、exon。
4start特征起始位置 (1-based 坐标)。
5end特征终止位置（包含在该区间内）。Start 必须始终小于等于 End。
6score置信度分值，通常用 . 占位。
7strand链方向：+（正链）或 -（负链）。
8frame编码框 (0, 1, 2)。非 CDS 区域填 .。注意：对于负链基因，生物学转录起始点对应 End 坐标。
9attribute属性列。格式为 key "value";，每个属性须以分号结尾，属性间用空格分隔。

第 9 列 (Attributes) 核心属性说明 ​

属性列是软件识别基因与转录本对应关系的关键，必须包含：

  • gene_id "value";：基因座的唯一标识符。
  • transcript_id "value";：转录本的唯一标识符。
  • gene_name "value";：基因的显示名称。若缺省，软件通常以 gene_id 代替。
  • gene_biotype "value";：生物学类型（如 protein_coding, lncRNA）。部分软件也使用 gene_type。
  • 三层级结构完整性：每个基因记录必须同时具备 gene、transcript 和 exon 三种 feature。

可视化验证 Reads 比对情况 ​

若配置文件无误，则需确认目标区域的 Reads 的覆盖情况。

操作方法： 使用 IGV (Integrative Genomics Viewer) 载入最终生成的 BAM 文件及对应的基因组文件。

TIP

参考 igv-reports。

  • 情况 A：无 Reads 覆盖：说明库中未捕获到该基因的 mRNA，可能原因包括：
    1. 实验端：基因未表达、引物捕获效率低或 mRNA 降解。
    2. 序列端：提供的插入序列与实验样本中实际序列差异过大，导致比对失败。
  • 情况 B：有大量 Reads 覆盖，但定量结果为 0 或表达很低：说明 Reads 已成功比对，但在分配 (Annotation/Quantification) 阶段被过滤，需进入第三阶段排查。

深入排查 BAM 比对标签 (BAM Tags) ​

单细胞定量软件根据 BAM 文件中的特征标签判定一条 Read 是否计入 UMI。通过 samtools view 查看目标区域的 Read 详情。

核心标签诊断步骤 ​

  • 检查 XS 标签：
    • 若 XS:Z:Unassigned_NoFeatures 且无 XT:Z: 标签：表示 Read 比对到了基因组非编码区 (Intergenic) 或比对质量 (MAPQ) 过低，这类 Read 不计入基因表达量。
  • 检查多重比对 (NH 标签 > 1)：
    • 若标签显示 XT:Z:gene1,gene2：表示 Read 同时命中了多个基因，软件会尝试根据外显子/内含子优先级分配，若无法区分，则该 Read 被丢弃。
  • 检查序列同源性：
    • 若 XT:Z:gene_id 是唯一基因，但 NH:i:N (N > 1)：表示该 Read 在基因组多个位置（如高度相似的同源基因或载体骨架）有相同分值的比对位点，在严谨模式下，多重比对的 Read 通常不计数。

案例分析：荧光蛋白 (eGFP/mCherry) 未检测到 ​

现象描述： 项目中添加了 eGFP 和 mCherry 序列。IGV 显示有极高 Reads 覆盖，但最终表达矩阵中两者计数却很低。

原因排查： 通过查看 BAM 文件，发现大量 Reads 的 NH 标签大于 1 且同时指向 eGFP 和 mCherry。 经核对序列发现：构建参考基因组时，将外源基因的完整序列（包含相同启动子或公共载体骨架）都作为 transcripts。由于这些骨架区域序列完全一致，且在 GTF 文件中均被标记为 exon 特征，导致比对软件无法区分 Read 来源于哪个基因，故将其标记为多重比对并过滤。

解决方案： 在构建外源基因索引时，建议在 GTF 文件中仅详细标注特异性编码区 (CDS) 或 3' UTR 区域；或者直接在 FASTA 文件中去除重复的骨架序列，只保留特异性片段，以提高唯一比对率 (Unique Mapping)。

BAM 格式字段详解 ​

BAM 文件是单细胞比对结果的标准存储格式。每一行代表一条 Read 的比对信息，由 11 个标准列（必须列） 和后续的 自定义标签 (Tags) 组成。

标准比对字段 (Standard Mandatory Fields) ​

列号字段名称说明常见取值与含义
1QNAMERead ID原始 Fastq 文件中的序列名称。
2FLAG比对标识描述 Read 状态的数字信号。0：正链比对；16：负链比对；4：未比对上。
3RNAME参考序列名比对到的染色体名称（如 chr1, chrM, eGFP）。
4POS比对起始位置Read 在染色体上比对的左侧起始坐标（从 1 开始计数）。
5MAPQ比对质量值衡量比对可靠性。在 STAR 软件中，255 代表唯一比对，较低值代表多重比对。
6CIGAR比对拓扑结构描述序列与参考组的匹配细节。M：匹配/错配；N：跨越区域（常指内含子）；S：软切除（末端未比对上的序列）；D/I：缺失或插入。
7RNEXT配对染色体名双端测序中配对 Read 的染色体名（单端或未比对上显示为 *）。
8PNEXT配对起始位置双端测序中配对 Read 的比对坐标。
9TLEN插入片段长度测序文库的实际片段长度 (Template Length)。
10SEQ碱基序列Read 的原始碱基排列。
11QUAL碱基质量值以 ASCII 码表示的每个碱基的比对可靠性。

常用属性标签 (Custom Tags) ​

在第 11 列之后，软件（如 STAR, SeekSoul Tools）会添加特定的标签以携带更详尽的比对与定量信息，格式通常为 TAG:TYPE:VALUE。

标准比对标签 ​
  • NH (Number of Hits)：该 Read 比对到的基因组位置总数。NH:i:1 表示唯一比对。
  • HI (Hit Index)：多重比对中的索引编号（表示这是该 Read 的第几个比对结果）。
  • AS (Alignment Score)：比对分值。分值越高，Read 与参考序列的匹配程度越高。
  • nM (Number of Mismatches)：Read 序列中错配碱基的数量。
基因组特征分配标签 (XS/XN/XT) ​

这类标签用于描述 Read 如何被分配到具体的基因注释上：

  • XS (Assignment Status)：描述 Read 分配给基因的状态。
    • XS:Z:Assigned：成功分配。表示 Read 命中了已知的基因区域且链方向一致。
    • XS:Z:Unassigned_NoFeatures：未能分配。表示 Read 比对到了基因组，但该位置没有注释的基因特征（如位于基因间区）。
  • XN (Number of Genes)：描述该比对位置重叠的基因数量。
    • XN:i:1：表示该位置只对应 1 个明确的基因。
  • XT (Gene ID)：最终定量基因名称。
    • XT:Z:GeneName：记录该 Read 最终归属的基因 ID 或名称。这是定量矩阵中计数的核心依据。
单细胞特有标签 ​
  • CB (Cell Barcode)：纠错后的细胞条码。
  • UB (UMI Barcode)：纠错后的分子条码（用于去重计数）。
0 条评论·0 条回复