什么是单细胞DNA测序？
传统基因组测序（如全基因组测序）分析的是数百万个细胞的混合DNA，得到的是一个“平均化”的基因组图谱。而单细胞DNA测序是在单个细胞水平上，对其完整的基因组DNA进行扩增、测序和分析。
核心价值：揭示细胞间的遗传异质性。
在癌症中：识别肿瘤内不同的亚克隆，追踪演化路径。
在发育中：理解早期胚胎发育中的染色体不稳定性。
在微生物中：研究不可培养的微生物的基因组。
核心工作流程（三步走）
第一步：单细胞分离与制备
这是最关键的一步，目标是将单个细胞分离并使其DNA可用于后续分析。
常用技术：
流式细胞分选（FACS）：经典方法，基于细胞表型分选。
微流控技术：主流方法。例如10x Genomics平台，通过油滴包裹单个细胞和微珠，实现高通量、自动化的单细胞分离。
激光捕获显微切割（LCM）：适用于从组织切片中分离特定形态的单个细胞。
第二步：全基因组扩增
单个细胞的DNA含量极少（~6 pg），必须进行全基因组扩增才能满足测序要求。
常用方法：
MALBAC / MDA：基于链置换的等温扩增，覆盖度较均匀，但错误率稍高。
LIANTI：线性扩增，保真度高，能更准确地检测拷贝数变异。
DOP-PCR：较早的方法，覆盖度偏差较大，但适用于低起始量。
第三步：文库构建与测序
将扩增后的DNA片段化，加上测序接头，在高通量测序仪（如Illumina）上进行测序。
主要分析内容（你能看到什么？）
单细胞DNA测序的读长较短，通常不用于检测单核苷酸变异（SNV），其主要优势在于：
1. 拷贝数变异分析（核心应用）：
做什么：检测染色体片段的扩增、缺失 和杂合性缺失。
怎么看：生成每个细胞的拷贝数谱。横坐标是基因组位置，纵坐标是拷贝数（如2代表二倍体正常）。你会发现不同细胞的“山峰”（扩增）和“山谷”（缺失）模式不同。
2. 核型分析：
识别整条染色体的非整倍性（如21三体）、大片段重排等。
3. 系统发育树构建：
根据检测到的CNV模式差异，推断肿瘤细胞的克隆演化关系，找出“祖先克隆”和“分支克隆”。
典型应用场景
1. 肿瘤异质性研究：
问题：为什么肿瘤对治疗产生耐药？
解答：通过scDNA-seq发现，治疗前就存在少数携带耐药基因扩增的细胞亚克隆，治疗后它们被选择性地扩增起来。
2. 生殖与发育生物学：
分析卵母细胞、精子、胚胎的染色体稳定性，辅助生殖诊断（PGD-A的升级版）。
3. 微生物组研究：
直接从环境样本中获取单个微生物的完整基因组，无需培养。
快速入门实践建议
1. 明确科学问题：先问自己：“我是否需要知道每个细胞的基因组差异？” 如果你的问题是关于细胞群体间的基因表达差异，那你应该用单细胞RNA测序（scRNA-seq）。
2. 样本准备是关键：
细胞活性 > 90%。
尽量避免细胞簇（doublets会严重影响分析）。
根据平台要求准备单细胞悬液。
3. 选择合适的平台：
高通量探索：选择10x Genomics单细胞CNV解决方案（如CNVkit）。
高精度、低通量：选择基于MALBAC/LIANTI的手工方法，结合Smart-seq2 protocol。
4. 数据分析入门：
上手工具：从 InferCNV （常用于肿瘤）开始，它是R包，有丰富的教程。
标准流程：通常包括：测序数据比对（如BWA） → 生成读数计数矩阵 → 归一化→ CNV调用（如HMMcopy, copyKat）→ 聚类与可视化。
利用公共数据：在GEO、EGA数据库找已发表的数据集，用现有流程跑一遍，快速理解结果。
总结速查表
目标
应用科学技术，让人民的生活更美好。
联系我们，打造非凡的人工智能 & 多肽产品
muyonglin@aiptide.com
”
关注我们
ATTENTION US
<了解更多信息>
- 作品说明 -
素材 | 智普肽德
文案 | 智普肽德
图片 | 智普肽德