开栏语丨把聚光灯打给方法本身——「单细胞组学技术驱动创新」专题 · 编者按

为什么是现在

过去十年，单细胞测序完成了一次漂亮的「人口普查」：2017年，oligo-dT加液滴微流控的组合把单细胞转录组带进了高通量时代，一次实验数万个细胞，细胞图谱以前所未有的速度铺开[1]。人类细胞图谱（Human Cell Atlas）这样的大科学计划，正是建立在这次通量革命之上。

但普查做完，更细的问题浮上来了。

只测3′端一小段，转录本中间那十分之九去哪了？可变剪接、融合断点、驱动突变，大多写在中段；lncRNA、组蛋白mRNA、新生RNA、病毒RNA，很多分子干脆没有polyA尾巴。主流方案从原理上就看不见它们。

只认完整转录本，那些躺在病理科蜡块里、冻存多年、轻微降解的样本怎么办？中国医院病理科里沉睡的FFPE样本数量庞大，它们曾经集体被挡在单细胞门外。

表达量这把尺子量到底之后，表观调控呢？同一个细胞里，染色质可及性、DNA甲基化、组蛋白修饰和转录输出是什么关系？单组学回答不了「为什么」，空间技术的缺席又让「在哪里」成了悬念。

技术发展这黄金十年攒下的，不只是数据，还有一连串「主流技术给不了答案」的问题。而回答这些问题的新方法——全序列转录组、FFPE样本转录组、一胞多组、空间多组、免疫组库、CRISPR筛选——恰恰在这两三年里集中成熟，相当一部分来自中国团队。方法多了，如何选择合适的、有价值的，本身成了新问题。

是时候给这些方法本身一束聚光灯了。这就是「单细胞组学技术驱动创新」专题的由来。

这个专栏打算怎么写

先立规矩，再开专栏。每一期的骨架是固定的：已发表研究开场→技术来路→原理与参数→行业风向→打开的研究问题→适用边界→下期预告。

几个具体承诺：

第一，从论文出发，不从彩页出发。每一期开篇，先讲一两篇已经过同行评议、用这项技术做出来的研究——第一期讲全序列转录组，开场就是北京市神经外科研究所用剪接多样性重分垂体瘤亚型的Nature Communications工作[2]，以及清华大学沈晓骅团队的Cell工作[3]——据论文报道，前者用全序列的可变剪切区分了表达量区分不了的肿瘤亚群，后者用全序列路线首次实现了单细胞新生转录观测。技术好不好，先看它帮别人回答了什么科学问题。

第二，参数要交代，代价也要交代。每项技术都有「适用边界」一节：数据量更大、成本更高、分析更重的地方，照实说；该用3′端就别劝人上全长，也照实说。没有「最好」的技术，只有「最合适」的技术。

第三，第三方数据优先于厂家数据。自家白皮书里的参数，读者有权打个问号；独立实验室的头对头比对，才是硬通货。这个专栏引用性能数据时，优先采用第三方已发表研究。

第四，只讲技术比对，不拉踩任何平台。这是专题的立场，也是底线。

规矩立完，说说我们衡量一项技术的四把尺子。这四把尺子，也将贯穿全系列。

尺子一：可靠与可复现——benchmarking是底线，不是加分项

单细胞领域有一个很好的传统：新技术要先过「公开处刑」。

2020年，人类细胞图谱社区在Nature Biotechnology上背靠背发表了两项系统性基准研究：一项横跨多个中心，用同一套参考样本比较了13种单细胞及单核转录组方案，结论是不同方案在文库复杂度、细胞类型标志物检出上差异显著，选择必须按图索骥[4]；另一项系统比较了7种方法在细胞系、PBMC和脑组织上的表现[5]。再往前，有团队用混合对照实验给分析流程建benchmark[6]；往后，FDA牵头的SEQC/MAQC联盟用标准参考样本做了多中心、跨平台验证，结论是：只要实验和分析方法得当，跨中心、跨平台的数据复现性是可以做到的[7]。

这个传统传递了一个朴素的价值观：一项技术可不可靠，不看它最好的那次结果，看它在别人手里、在别的实验室、在不完美样本上的平均水平。

所以本专栏评价可靠性时，认这几样东西：多中心或第三方的头对头数据；已发表论文里真实样本的表现；双胞率、捕获率、覆盖均匀度这类可核查的硬指标；以及——很重要——这项技术的产物能不能和存量数据整合。技术迭代最怕老数据作废，新方案与老数据能互相对上，本身就是可复现性最好的证明。

尺子二：先进性——要解决原理层面的问题，而不是堆砌参数

什么叫真先进？我们给一个操作性的定义：它在原理上解除了一类旧约束，而不是在旧约束里把某个参数刷高了10%。

举第一期的例子。3′端测序的局限不在工艺，在原理——oligo-dT只认尾巴，末端测序只覆盖转录本一端。全长路线并非没人做过：Smart-seq2早在2013年就把单细胞全长灵敏度做到金标准[8]，Smart-seq3补上了UMI[9]，VASA-seq把总RNA纳入视野[10]，但全长、高通量、流程简便始终三缺其一。scFAST-seq的解法是换一个元件：用12N7K半随机引物替代oligo-dT，从转录本任意位置启动逆转录，配合模板转换和rRNA定向去除，把全长覆盖搬上了液滴高通量平台[11]。一个元件的替换，解除了polyA依赖和末端覆盖两重约束——这是原理层面的解题。

第三方头对头研究给了这条路线一次公开检验：同一批肿瘤细胞分送国际3′端方案与全序列方案，每细胞中位基因检出848对1358，中位UMI数1254对2169，总基因检出26350对30664，细胞内reads占比76.00%对91.27%；表达图谱两套数据互相印证，全长信息是同等流程下额外多出来的[12]。

按照这个定义，本专栏选入的技术——半随机引物全长捕获、FFPE单细胞随机引物方案、一胞多组双组学同步、空间多组、全长免疫组库、胞内菌检测、CRISPR高通量功能筛选、三代全长isoform——每一项都对应着一类被原理性解除的旧约束。先进不先进，不看发布会的声量，看它解的是不是真问题。

尺子三：成本——贵不贵，要算总账

谈成本容易陷入两个极端：要么只比「每细胞单价」，要么一句「科研无价」回避讨论。都不是实事求是的算法。

单细胞的成本结构里，文库试剂只是小头，测序才是大头。单细胞项目的测序深度通常以每细胞数万条reads计，同一个项目的测序总量远超bulk RNA-seq。这意味着真正决定成本的变量不只是「每细胞试剂单价」，还有：有效reads占比、对不完美样本的容忍度、一次成功率。

好消息是，整个行业的单位成本在快速下探，而成本早已是学术评估的正式维度。早在2019年，对超高通量液滴系统的系统比较就把各平台的灵敏度、有效reads利用效率与每细胞成本放在一起打分，不同方案的差距可达数倍[13]；到2024年，头部厂商已经把固定样本方案的每细胞成本压到一美分量级[14]。成本下降，正在把单细胞从「少数实验室的奢侈品」变成「多数实验室的常规工具」。

但对国内实验室来说，还有一笔隐性成本常被忽略：试错成本与沟通成本。一次失败的实验、一轮多一环转达的技术支持，摊到项目里都是真金白银和毕业周期；试剂耗材的货期与价格，也随供应链路长短而波动。当本土平台能把数据质量做到同台可比——前述头对头研究中，全序列方案在基因检出、UMI数、有效reads占比等多项核心指标上占优[12]——技术支持可以直接对话、响应与周转更快，本身就是成本优势的一部分。

这个专栏谈成本的原则是：把账算全，让读者自己判断性价比。

尺子四：体系完整度——沿着中心法则，在一个细胞里看全因果链

技术没有产地属性，好技术就是好技术——评价标准只有一套：原理上是否解决了真问题、第三方数据是否经得起核查，这对任何平台一视同仁。

第四把尺子与产地无关，与科研设计效率直接相关：技术体系的完整度。它的刻度是中心法则——表观调控决定「能不能转录」，转录组回答「正在表达什么」，蛋白是真正干活的分子，空间位置交代「发生在哪里」。

传统做法是把样本拆开分测、再靠计算「拼」回一个虚拟细胞，代价是实打实的：批次效应混入信号、细胞对应靠推断而非实测、珍贵样本被反复消耗。一胞多组在同一细胞内让表观与表达因果同呈、蛋白与转录本物理共检，再叠上空间坐标——调控与表型在同一细胞里闭环，因果链不再需要跨样本推断。这也是我们理解的「all in one」：不是品类堆叠，而是沿着中心法则，把一个细胞一次读全。

按这把尺子，我们整理了一张公开产品线对照表。比对对象选取进口代表平台，因为它定义了行业基准；数据来自各公司公开资料（截至2026年8月），技术迭代很快，请以厂商最新公开信息为准。

注：√＝已具备；—＝公开产品线未覆盖。依据各公司公开产品线信息整理（截至2026年8月），对外引用请保留「就目前公开信息来看」的限定。

表里值得单说的是下半张表：全序列转录组从原理上解除了polyA依赖；甲基化+RNA与CUT&Tag+RNA让表观-表达因果同呈；空间+ATAC、空间+甲基化把「位置」叠进表观-表达链条。这四项，就目前公开信息来看，仅寻因生物公开提供。

如果你的问题指向「调控为什么导致了这个表达结果」「这个细胞在这个位置为什么是这个状态」，体系完整度就不是加分项，而是入场券。

一张技术矩阵，沿着四条线索展开

看得真——三代全长测序直接读通转录本，跳过拼接组装，isoform 不再靠算法猜。

看得深——一胞多组系列：甲基化+RNA、ATAC+RNA、CUT&Tag+RNA，从表达结果回溯调控原因。

看得准（位置）——空间组学系列：空间甲基化+RNA、空间ATAC+RNA、新鲜组织空间+RNA、人FFPE空间+RNA，给分子信息加上坐标。

看得广——免疫组库测序、胞内菌测序、CRISPR测序、表面蛋白测序，拓展单细胞的观测维度；把选择标准一次讲清。

写在前面的一点声明

本专题由BioArt出品，寻因生物提供联合技术支持。技术支持意味着我们能拿到一手的技术细节和工程师访谈，不意味着结论免检。每期涉及的竞品参数以公开发表文献为准；引用第三方头对头数据时注明出处；适用边界一节，照实写代价。

我们希望读者带着审视来读这个专栏——去查文献，去看数据，去设计自己的头对头实验。如果全系列读完，你记住的不是某个品牌，而是「研究问题决定数据需求，数据需求决定技术路线」这句话，这个专栏就算成了。

第一期即上线：全序列转录组，一个引物的决定，多看见半个转录组。第二期，聊聊单细胞甲基化+RNA，从基因表达回溯表观调控根源。

技术的事，交给数据说。

出品丨BioArt　联合技术支持丨寻因生物

参考文献

[1] Zheng G X Y, Terry J M, Belgrader P, et al. Massively parallel digital transcriptional profiling of single cells[J]. Nature Communications, 2017, 8: 14049.

[2] Huang Y, Guo J, Han X, et al. Splicing diversity enhances the molecular classification of pituitary neuroendocrine tumors[J]. Nature Communications, 2025, 16: 1552.

[3] MA S Q, HONG Y T, CHEN J H, et al. Single‑cell nascent transcription reveals sparse genome usage and plasticity[J]. Cell, 2025, 188: 1‑19. DOI:10.1016/j.cell.2025.09.003.

[4] Mereu E, Lafzi A, Moutinho C, et al. Benchmarking single-cell RNA-sequencing protocols for cell atlas projects[J]. Nature Biotechnology, 2020, 38(6): 747-755.

[5] Ding J, Adiconis X, Simmons S K, et al. Systematic comparison of single-cell and single-nucleus RNA-sequencing methods[J]. Nature Biotechnology, 2020, 38(6): 737-746.

[6] Tian L, Dong X, Freytag S, et al. Benchmarking single cell RNA-sequencing analysis pipelines using mixture control experiments[J]. Nature Methods, 2019, 16(6): 479-487.

[7] Chen W, Zhao Y, Chen X, et al. A multicenter study benchmarking single-cell RNA sequencing technologies using reference samples[J]. Nature Biotechnology, 2021, 39(9): 1103-1114.

[8] Picelli S, Björklund Å K, Faridani O R, et al. Smart-seq2 for sensitive full-length transcriptome profiling in single cells[J]. Nature Methods, 2013, 10(11): 1096-1098.

[9] Hagemann-Jensen M, Ziegenhain C, Chen P, et al. Single-cell RNA counting at allele and isoform resolution using Smart-seq3[J]. Nature Biotechnology, 2020, 38(6): 708-714.

[10] Salmen F, De Jonghe J, Kaminski T S, et al. High-throughput total RNA sequencing in single cells using VASA-seq[J]. Nature Biotechnology, 2022, 40(12): 1780-1793.

[11] Sang et al. High throughput detection of variation in single-cell whole transcriptome through streamlined scFAST-seq[J]. bioRxiv, 2023. DOI: 10.1101/2023.03.19.533382.

[12] Trofimov V, et al. scFAST-seq reveals a wide diversity of transcripts, CNV events, and regulatory activity in adrenocortical tumor[J]. Scientific Reports, 2026, 16. DOI: 10.1038/s41598-026-44117-z.

[13] Zhang X, Li T, Liu F, et al. Comparative analysis of droplet-based ultra-high-throughput single-cell RNA-seq systems[J]. Molecular Cell, 2019, 73(1): 130-142.e5.

[14] 10x Genomics. (2024, October 15). 10x Genomics delivers “single cell for a single cent” with new Chromium launches [Press release]. [https://investors.10xgenomics.com/news/news-details/2024/10x-Genomics-Delivers-Single-Cell-for-a-Single-Cent-with-New-Chromium-Launches/default.aspx](https://investors.10xgenomics.com/news/news-details/2024/10x-Genomics-Delivers-Single-Cell-for-a-Single-Cent-with-New-Chromium-Launches/default.aspx)