Vol.2｜一胞多组 · scMethyl+RNA ：表达只是结果，把细胞的「前世、今生、去向」装进同一次测量

上一篇我们聊过一件事：主流单细胞技术只抓 polyA 尾巴，丢掉的那部分 RNA 里藏着不少答案。

这一篇，我们把视线再往上游推一层——

就算把转录本看得再全，RNA 也始终是「结果」。一个细胞为什么表达这些基因、为什么走到今天这个状态、下一步又将去往何处，答案可能写在更上游：基因组的结构（如拷贝数变异 CNV）和表观调控。

单细胞测序的第一个十年，解决了“细胞有多少种”；迈入第二个十年，研究者追问的是另外三个问题：

这个细胞从哪里来？

它为什么变成现在这样？

在癌变发生之前，究竟是哪一步先出的错？

回答这三个问题，不能只盯着 RNA。我们需要把“基因组结构（CNV）—表观调控（DNA 甲基化）—转录输出（RNA）”这条因果链放进同一个细胞里测量。

这就是本篇的主角——SeekOne® DD 单细胞 DNA 甲基化 + RNA 多组学技术（scMethyl+RNA）。

专家说（右滑看更多）

←左右滑动，共4位专家→

PART 01

三篇论文，照出同一个盲区

三项研究，三个看似不相关的课题。但读到最后你会发现，它们指向的是同一个判断。

第一篇：给「RNA 反推 CNV」做一次严格的对照检验

肿瘤研究里有个沿用多年的习惯：做完单细胞转录组，顺手用 RNA 信号反推拷贝数变异（CNV），据此划分肿瘤亚克隆。inferCNV[1]、CopyKAT[2]这些工具，做肿瘤单细胞的人几乎都用过——快速粗分克隆亚群，确实好用。但这条推断链的边界到底在哪里，一直缺一次严格的同胞细胞对照来检验。

2025年，中科院分子细胞科学卓越创新中心王开乐团队在 Cell 上发表的的工作[3]，把这次对照做了。他们建立了 wellDR-seq 单细胞 DNA-RNA 共检测技术。先用 MDAMB231 细胞系验证：DNA 拷贝数聚类分辨出2 个超级克隆、8 个亚克隆；而同批细胞转录组仅分出 2 个表达簇，DNA 层面精细亚克隆在转录组里发生信号混叠，无法被识别。不论inferCNV还是CopyKAT 用于对应的RNA 数据均无法重建 8 个亚克隆精细结构，拷贝数图谱相关性仅 CopyKAT r=0.52、inferCNV r=0.49，只能捕获少数大片段染色体变异，丢失亚克隆特异 CNV，还引入假阳性事件。团队进一步对12 例 ER + 乳腺癌、共 33646 个单细胞开展 DNARNA 联合测序，结论一致， RNA 反推 CNV 存在固有局限：基因剂量效应异质性强，部分 CNV 不改变转录本，大量表达差异来自非拷贝数调控，诸多真实亚克隆会被转录组推断遗漏。

要强调的是，这项工作指出的并非某个工具的对错，而是「用表达量推断拷贝数」这条原理链本身固有边界：RNA 信号像一面平面镜，照得出克隆的大致轮廓；要看清精细结构，得回到 DNA 信号这台高精度显微镜。这也正是王开乐团队给出的建设性答案——把 DNA 和 RNA，放到同一个细胞里测量。

图1｜同一批细胞，DNA 信号（左）与 RNA 信号（右）推断 CNV：8 个亚克隆 vs 2 个表达簇

第二篇：单一维度的「盲人摸象」——克隆、甲基化、转录，是三张对不上的脸

把 CNV 测准就够了吗？北京大学汤富酬团队2023 年发在 National Science Review 的研究[4]，用一个设计精巧的实验提醒了整个领域：还不够。

他们对 14 例胃癌患者开展多区域采样测序，发现了一个值得细想的图景：同一肿瘤内，不同遗传克隆的全局甲基化差异显著，而同一遗传克隆内部甲基化特征相对稳定——甲基化确实跟着克隆走。但关键在于，遗传克隆、甲基化亚群、转录组亚群三者并非一一对应：同一个遗传克隆，可以经过甲基化重编程产生多种转录表型；不同的遗传克隆，也能收敛出相似的转录状态。

换句话说，克隆分化同时受遗传（拷贝数）与表观（甲基化）多层调控；其中，甲基化不只是一个被动标记，更是驱动转录多样性、放大瘤内异质性的核心表观因素，三者之间不存在简单的单向因果。这项工作的价值正在于此：只看基因型、或者只看转录组，都像盲人摸象——缺了甲基化这一维，就丢掉了肿瘤异质性的一个重要来源，对肿瘤演化的认知注定不完整。

图2｜胃癌细胞的遗传谱系、DNA 甲基化与转录表型：三张对不上的脸

第三篇：正常细胞的再生、分化、发育和衰老，甲基化是内置in vivo“追踪器”

跳出肿瘤。每个正常细胞都自带专属的「发育家谱」：分裂过几次、和谁同源、什么时候走上哪条分化路，全部有记录。但在人体样本里，这部家谱一直读不出来——基因编辑和合成条形码依赖外源标记，无法用于人体原代组织；体细胞 SNV 频率太低，时间分辨率不够；线粒体突变又容易被遗传漂变带偏，造成谱系误判。

西湖大学王寿文与李莉团队2025 年发在 Nature Methods 的工作[5]，找到了一个巧妙的突破口：细胞每次分裂，都会随机、稳定地积累一些可遗传的甲基化「表观突变」（epimutation）。这些突变就是细胞天生的条形码——不用基因编辑、不引入任何外源标记，直接基于单细胞全基因组甲基化数据重建谱系树。他们开发的 MethylTree 算法，在模拟数据、HEK293T 细胞克隆、LARRY 条形码标记的小鼠造血系统（52 个已知克隆全部正确识别）、人类造血、人早期胚胎、肿瘤等多套金标准体系中完成多层级验证，谱系重建准确率接近 100%。

人体样本「无外源标记谱系示踪」这个困扰领域多年的难题，从此有了可行方案。

图3｜MethylTree：把甲基化表观突变当作细胞的内源条形码，重建谱系树

一篇检验克隆界定的边界，一篇拆解肿瘤异质性的来源，一篇追踪细胞的身世——三条研究线索共同指向一个核心判断：当拷贝数、DNA 甲基化和转录组在同一个细胞里捕获到，细胞背后的生物学答案便自然浮现。

PART 02

从化学转化到酶促转化，从低通量到万级高通量，从单组学到多组学：单细胞甲基化测序的三十年

既然三者联动这么有用，为什么过去几十年始终没能成为常规工具？要回答这个问题，得先回头看看甲基化测序走过的技术路。

• 1992 年，Frommer 等建立重亚硫酸盐转化法（bisulfite conversion）：未甲基化的 C 转化为 T、甲基化的 C 保持不变——碱基分辨率的 DNA 甲基化检测从此有了化学基础；

• 2013–2014 年，scRRBS 与 scBS-seq 相继建立，甲基化研究进入单细胞时代，但受限于单管/孔板路线，通量仅几十～数百细胞；

• 2016 年，scM&T-seq 提出并行的单细胞甲基化组 + 转录组测序[6]，「一胞双组」概念落地，同样卡在孔板路线，通量停在 96 量级；

• 2017–2018 年，甲基化检测精度与多组学维度实现双重跃升：snmC-seq 系列把单细胞 CpG 检出推向百万级；同期scTrio-seq2 技术通过核–质磁珠分离策略，让同一个细胞产出基因组（CNV）+ 甲基化组 + 转录组三联数据，在人类结直肠癌中把「基因型—表观—表型」串成一条线[7]；但两项技术均延续传统孔板反应体系，核心通量瓶颈未突破。

• 2018 年起，sciMET 系列用组合索引路线把通量做高，但依旧是单一组学；

• 2023 年，Drop-BS 把重亚硫酸盐路线搬上液滴微流控，通量首次来到万级，但单细胞 Unique DNA reads 低，CpG 覆盖极度稀疏；

• 2026 年，SeekOne® DD scMethyl+RNA 把「高通量液滴 + 一胞多组（多维信息：甲基化+转录组+免疫组库+CNV）」合成一体，单通道 500–12,000 个细胞——把前面三十余年积累的通量、分辨率与多组学能力，收进同一个液滴。

回看这条路，理想的单细胞甲基化 + 转录组方案要同时满足五个条件，而这五大要素长期处于「鱼与熊掌不可兼得」的矛盾状态：

• 通量够高——足以刻画细胞异质性；

• CpG 覆盖够高——扩增克隆和稀有克隆都要测得到；

• 同一个细胞的 RNA 一起拿到——单细胞甲基化缺少成熟的细胞类型 marker，需要 RNA 辅助判定细胞身份，更要解析 CNV、甲基化与表达之间的时序和调控关系；

• 操作简便、重复性好；

• 成本可接受。

卡点也很清楚：传统重亚硫酸盐转化（C>T）对 DNA 损伤大，单个细胞的 Coverage 天然受限；板式法研发门槛低，但操作工作量大，不同实验室叠加 barcode 的效率难以保证；液滴法通量高，但同一液滴里 DNA 连接与 RNA 逆转录两头效率都要保住，开发投入大。

表1｜国内外主流单细胞甲基化技术路线对比[6-9]

注： SeekOne® DD scMethyl+RNA 技术方案，列入用于技术间指标对比。

PART 03

一句话的原理，三道看不见的工程坎

SeekOne® DD scMethyl+RNA 给出的答案，原理一句话：

在高通量微流控液滴系统里，同一颗凝胶微珠把一个细胞的 DNA 和 RNA 同时锁住——RNA 逆转录形成表达文库，DNA 经 EM-seq 酶法转化成为甲基化文库。一次实验，同一个细胞，DNA 甲基化、CNV、转录组（还可叠加 TCR/BCR 免疫组库）信息一起被检出。

原理简单，工程上有三道坎：

如何做到高通量单细胞捕获的同时，拿到同一个细胞的DNA 和 RNA且互不干扰？——单标签水凝胶微珠实现单细胞甲基化与转录组信息的一对一锁定；生物素修饰标签标记 DNA、高效分离纯化，降低基因组对 RNA 文库的干扰。

单个细胞只有 pg 级 DNA 模板，怎么减少损伤？——改用温和的 C-T 酶学转化，最大程度保护基因组完整性，转化效率可达 99% 以上。

核小体遮挡了一部分甲基化位点怎么办？——固定 + 核小体剥离步骤，把有效 CpG 覆盖拉起来。

图4｜scMethyl+RNA 工作流程与技术要点

PART 04

空口无凭，数据说话

自发布以来，SeekOne® DD scMethyl+RNA 已在 1,000+ 例样本、30+ 种组织类型上完成系统验证——人PBMC、不同肿瘤组织、脑组织、小鼠各器官、牛肌肉、猪胎盘等，横跨多个物种。

在单细胞甲基化技术的横向对比中，SeekOne® DD scMethyl+RNA 的优势同样清晰：与sciMET v2/v3、ScaleBio scMethyl、DropBS、scM&T-seq、scNMT-seq 等主流方案相比，在万级细胞通量下仍保持领先的 CpG 检测效率——单细胞 4.1 M raw reads数据量下，可检出约 140 万 CpG 位点（图4），且同步获得转录组 + 甲基化双组学信息。

下表为部分代表性样本的实测数据。

表2｜SeekOne® DD scMethyl+RNA 实测数据表现示例（内部实测数据）

注：C-T 转化率均 >99%；表中样本当前测序饱和度较低，可通过增加测序数据量进一步提升 CpG 检出数及 MET 基因组覆盖度组

PART 05

不王婆卖瓜：一份刚刚全球首发的第三方独立评测

指标讲完了，用它们来看一份第三方数据。

9 月 24 日，寻因生物与澳大利亚 Garvan 医学研究所、Chameleon Science 举办联合直播「解码单细胞表观遗传新维度」——Garvan 医学研究所基因组平台团队基于 scMethyl+RNA 技术独立的第三方实测数据，在直播中全球首发（直播回放已在「寻因生物SeekGene」视频号上线）。

GARVAN 实测 · 关键结论

①细胞回收率高：以单样本捕获12K 细胞为目标，单芯片并行检测 3 份样本，合计获得约 34K 细胞，细胞捕获率稳定、可重复。

②RNA指标不受影响：叠加甲基化流程后，在单细胞测序 reads 投入相近的条件下，中位 nUMI/细胞与测序饱和度均与对照方案（10X GEMX Multiome）持平甚至更优——双组学没有拖累转录组；

③ 高通量与数据丰富兼得：Seekgene® DD scRNA+Methyl 方案单次捕获细胞数可达万级，同时单 read 比对 CpG 位点维持在 0.5–0.65 区间，兼顾高通量与高 CpG 检出效率，优于主流单细胞甲基化技术，实现高通量与高数据丰富度兼得——这两个维度，正是 PART 02 里「鱼与熊掌」难题的考点；

④覆盖均匀：全基因组上每条染色体CpG位点测序覆盖呈现均匀性；不同功能 CpG 区域的甲基化水平分布均符合生物学预期。

⑤AML 实战：RNA 层面鉴定出 14类群细胞；甲基化层面揭示各群全局甲基化水平差异——LSC 样/原始母细胞呈现更高的 mCG 水平；此外，本数据能够与scRNA+ATAC数据集（Peter van Galen (HD+AML scRNA),Sander Lambo (AML scRNA+ATAC)）高效整合，支撑后续多组学下游挖掘。

图5｜Garvan 独立评测：叠加甲基化步骤后，RNA 质量不受影响

图6｜Garvan 独立评测：不同功能 CpG 区域的甲基化水平分布均符合生物学预期

图7｜Garvan AML 数据：scRNA+Methyl和scRNA+ATAC数据可高效整合

用 Garvan 首席研发 Orion Tong 在直播中的话说，这套方案让「10 分钟内捕获 10,000+ 单细胞甲基化组信息」成为常规操作。数据是第三方测的，指标摆在上面，结论留给大家自己下。

PART 06

哪些科学问题正在被解析

技术打底之后，回到科学问题。

Seekgene®DD scMethyl +RNA上场，很多生物学谜题，正在从不同角度被解析。

一、解析癌变的分子临界点”(tipping point)

肿瘤发生不是单点突变事件，而是基因组、表观组、转录组多层级分子同步崩溃的动态过程。依托 scMethyl+RNA 可在同一细胞同时获取CNV 拷贝数、全基因组甲基化、转录组的能力，可以重建从良性上皮→癌前状态→恶性肿瘤的伪时间演化轨迹，定位肿瘤细胞状态转换的 “临界点 (tipping point)”：在临界点会同步发生非整倍性产生、早期 PMD 区域大规模去甲基化启动、转录组大规模重塑，多层分子事件集中爆发。

→ 解决：癌变时序先后判断，区分「驱动性早期表观损伤」和「肿瘤发生后的次生表观改变」，捕获组织学正常但分子层面已经发生癌前改变的微量预激细胞。

→ 适合：肿瘤起始机制、癌前病变研究；解析癌前表观负荷如何铺垫恶性转化基础；早期表观标志物挖掘研究；解析肿瘤发生的多模态分子崩溃机制相关基础与转化研究。

图8｜scPRIME-seq 研究，对 29 例前列腺癌、15 例良性组织共 43 万 + 细胞构建单细胞多组学图谱（李振斐、李圣迪研究员2026 年 bioRxiv 预印）

二、准确定义亚克隆：CNV 从「RNA 推断」回到「DNA 读取」
甲基化文库的 reads 天然携带拷贝数信号——不增加额外实验，就把 CNV 从「间接推测」升级为「直接读取」。我们分析前列腺癌样本的CNV结构（内部数据，未发表）：将转录组识别的分散、模糊的2个克隆清晰聚焦到5个亚克隆，并构建了演化关系。热图对比很直观：DNA 来源的 CNV 信号平滑、噪声低，各亚克隆的特征性拷贝数事件清晰可辨；RNA 反推的信号虽也能部分捕捉大尺度 CNV，但噪声明显升高，位点水平难以分辨精细亚克隆。

图9｜前列腺癌样本：RNA 识别的 2 个克隆 vs DNA 信号聚焦的 5 个亚克隆（内部数据，未发表）

图10｜DNA 信号（CopyKit，左）与 RNA 信号（CopyKAT，中 / InferCNV，右）推断 CNV 的热图对比（内部数据，未发表）

→ 解决：克隆界定不准、隐藏亚克隆漏检、耐药克隆溯源等。

→适合：肿瘤与血液病克隆演化、肿瘤精准分型、耐药机制溯源、肿瘤早期靶点挖掘与耐药风险评估相关的基础研究与转化研究。

三、克隆之间、克隆之内：表观-转录的协同异质性

定义亚克隆只是第一步——亚克隆之间、亚克隆内部，差异远不止拷贝数，还存在存在表观—转录异质性。CopyKit推断的 CNV 热图中， chr11 出现显著大片段扩增。以 chr11 为例展示不同克隆及 C1–C5 亚克隆在 pseudo-bulk 层面的甲基化水平，可见： C1 与 C5 克隆之间，除拷贝数变异外，还存在大规模甲基化重编程——差异基因中既有甲基化与表达同步变化的（DMG&DEG），也有仅甲基化变化的（DMG only）。

Bulk 测序无法替代单细胞解析。群体平均信号会把克隆间和克隆内这两层异质性全部抹平。单细胞多组学不可替代的价值，就是把「差异」定位到具体的克隆、具体的细胞。

图11｜chr11 上 C1–C5 亚克隆的甲基化差异；C1 vs C5 的 DMG/DEG 联合分析（内部数据，未发表）

→ 解决：同一克隆内部耐药、转移表型的来源，表观可塑性机制。

→ 适合：肿瘤异质性解析、表观遗传调控机制、肿瘤克隆演化、多组学深层机制挖掘与差异化通路验证相关研究。

四、甲基化标志物：从「混合平均值」回到「细胞溯源」

Bulk 甲基化测到的是混合细胞的平均甲基化百分比：组织里细胞类型组成比例不一，肿瘤亚克隆又各有表观差异，检测结果容易被细胞组分占比带偏，判定阈值难以界定。单细胞视角换了一条路——先在单细胞水平锁定肿瘤不同亚型中共性或特异的甲基化位点，明确信号来自哪类细胞，再回到 bulk/cfDNA 层面做大样本验证。

以文献报道的结直肠癌 cfDNA 甲基化标志物 SEPT9 为例[10]：单细胞数据直接把 SEPT9 的高甲基化状态溯源到了肿瘤上皮细胞——标志物的「出身」一目了然（科研场景下的标志物研究）。

图12｜SEPT9 在单细胞水平的细胞溯源：高甲基化信号定位于肿瘤上皮（内部数据，未发表）

→ 解决：科研场景下肿瘤早期、预后、耐药相关甲基化标志物的发现与验证脱节。

→ 适合：适用于肿瘤早期诊断、预后评估、耐药预警的甲基化标志物筛选，以及液体活检机制探究、无创诊断技术相关研究。

五、写出正常细胞的「家谱」：in vivo 谱系示踪

MethylTree 这类算法落到 scMethyl+RNA 数据上，人体样本的谱系研究变得切实可行：用甲基化识别克隆，用 RNA 辅助标注细胞类型，再分析克隆之间与克隆内部的表观、CNV、转录差异及三者的耦联调控。下图是对不同年龄供体外周血的分析：年轻个体的造血由大量小型克隆共同维持多样性；老年个体则出现显著的优势克隆扩增——衰老过程中的造血克隆扩张，被直接画了出来，还可进一步追踪扩增克隆与其他克隆在表观、CNV、转录三个层面的差异。

图13｜MethylTree 对不同年龄供体外周血的单细胞甲基化谱系分析：克隆结构随年龄明显改变（王寿文研究员2026 年 bioRxiv 预印）

→ 解决：人体样本无外源标记谱系示踪、衰老克隆动力学、癌前克隆演化的时序问题。

→ 适合：适用于人体发育、组织再生、细胞衰老、癌前病变时序演化、单细胞表观年龄与克隆动态异质性相关研究。

还有哪些方向能被解析？

PART 07

写在刀刃上：适用边界与场景选择

任何技术都有适用边界。客观看待边界，才能把 scMethyl+RNA 用在刀刃上。

优先选择 SeekOne® DD scMethyl+RNA 高通量方案的场景：

• 组织表观 + RNA 多模态单细胞图谱，可叠加 TCR/BCR 实现更多维解析；

• 肿瘤克隆演化：需要同时解析 CNV、DNA 甲基化、转录组的协同异质性；

• 科研场景下的肿瘤相关甲基化标志物筛选（单细胞发现 + bulk 大样本验证）；

• 单细胞层面表观衰老时钟研究，解析细胞间表观年龄异质性；

• 再生、分化、发育、衰老过程中的 in vivo 谱系示踪（甲基化条形码谱系重建）。

更适合低通量一胞双组技术的场景：

• 哺乳动物着床前胚胎发育表观重编程研究（细胞数极低）；

• 分选后少量细胞的定向机制挖掘；

• 极稀有细胞研究——通量需求不大、单细胞深度要求极高的工作。

用 RNA 信号推断 CNV 依然够用的场景：

• 区分肿瘤细胞与正常细胞、快速粗分潜在克隆亚群；

• 已知 CNV 克隆对应的转录谱、通路活性与细胞状态研究；

• 常规大规模单细胞异质性分析，追求性价比与通量。

代价与局限，也要摆在桌面上：

• 不建议用甲基化文库做 SNP/SNV calling：C-T 转化、数据稀疏性与单位点覆盖深度会干扰突变判定，位点突变检测优先选择 WES/WGS；

• CpG 覆盖与高通量存在权衡：测序总量固定时，reads 在细胞数量与单细胞覆盖深度之间竞争。常规图谱与机制研究推荐捕获约 10,000 细胞、甲基化文库约 1T 数据量；谱系示踪研究建议单细胞测序量 ≥1G，并建议相应下调细胞通量；

• 分析门槛更高：甲基化数据天然稀疏，配对多组学流程复杂，需要较强的生信能力（寻因 SeekSoul 分析流程与技术支持团队可协助降低这部分负担）；

• 测序成本高于普通单细胞转录组，需按研究目标规划预算。

技术没有高下之分，只有与科学问题的匹配。根据科学问题、样本情况、预算、分析能力综合衡量，就是全部原则。

单细胞研究的竞争点，已经从「测更多的细胞」，转向「在同一个细胞里测更多的维度，并且让这些维度彼此对齐」。

scMethyl+RNA 把甲基化（来源与状态的记录）、拷贝数（基因组的剂量）、转录组（当下的功能）压缩进同一个细胞的一次测量里，并用算法把「稀疏」从障碍变成可解的问题。它适合回答的，正是这些年难回答的三个问题：

这个细胞从哪里来？

它为什么变成现在这样？

在癌变之前，究竟是哪一步先出错？

如果你正在设计肿瘤演化、癌前病变、发育谱系、衰老克隆动力学或免疫微环境相关的课题，这项技术值得放进方案里讨论。更多答案，写在 scMethyl+RNA 的测序数据里，等待挖掘。

下一期预告：单细胞甲基化之外，下篇看scATAC+RNA一胞双组，如何做全序列与表观的联合（按专栏规划调整）。

* 本产品仅供研究使用（RUO），不用于疾病诊断或治疗。

出品丨BioArt　联合技术支持丨寻因生物

参考文献

[1] Patel AP, Tirosh I, Trombetta JJ, et al. Single-cell RNA-seq highlights intratumoral heterogeneity in primary glioblastoma. Science. 2014 Jun 20;344(6190):1396-401.

[2] Gao R, Bai S, Henderson YC, Lin Y,, et al. Delineating copy number and clonal substructure in human tumors from single-cell transcriptomes. Nat Biotechnol. 2021 May;39(5):599-608.

[3] Wang K, Ye R, Bai S, et al. Coalescing single-cell genomes and transcriptomes to decode breast cancer progression. Cell, 2025, 188(22): 6355-6369.

[4] Bian S, Wang Y, Zhou Y, et al. Integrative single-cell multiomics analyses dissect molecular signatures of intratumoral heterogeneities and differentiation states of human gastric cancer. National Science Review, 2023, 10(6): nwad094.

[5] Chen M, Fu R, Chen Y, et al. High-resolution, noninvasive single-cell lineage tracing in mice and humans based on DNA methylation epimutations. Nature Methods, 2025, 22(3): 488-498.

[6] Liu F, Wang Y, Gu H, Wang X. Technologies and applications of single-cell DNA methylation sequencing. Theranostics, 2023, 13(8): 2439-2454.

[7] Zhang Q, Ma S, Liu Z, et al. Droplet-based bisulfite sequencing for high-throughput profiling of single-cell DNA methylomes. Nat Commun, 2023, 14: 4672.

[8] Angermueller C, Clark S, Lee H, et al. Parallel single-cell sequencing links transcriptional and epigenetic heterogeneity. Nat Methods, 2016, 13: 229-232.

[9] Bian S, Hou Y, Zhou X, et al. Single-cell multiomics sequencing and analyses of human colorectal cancer. Science, 2018, 362(6418): 1060-1063.

[10] deVos T, Tetzner R, Model F, et al. Circulating methylated SEPT9 DNA in plasma is a biomarker for colorectal cancer. Clin Chem. 2009 Jul;55(7):1337-46.

* 文中前列腺癌样本分析为内部数据（未发表）；Garvan 评测数据来源为 2026 年 9 月 24 日联合直播公开发布内容。

寻因生物 SeekGene ｜ V2.0 · 2026-09-28