单细胞组学
单细胞组学（Single-cell Omics）把"整体"打散成"个体"，在细胞分辨率下测量转录组（scRNA-seq）、染色质可及性（scATAC-seq）乃至多模态（Multiome），揭示 bulk 平均无法呈现的细胞类型、发育轨迹与稀有亚群。它的核心问题是：在极度稀疏（dropout）、高维、含批次效应的数据中，如何稳健地识别细胞状态并推断其关系。
如何阅读本章
Section titled “如何阅读本章”建议先从 scRNA-seq 总览 建立"实验设计 → 数据处理 → 聚类注释"的完整流程认知，再按兴趣深入具体环节：数据生成机制看 Barcode 与 UMI，分群与可视化看 聚类与 UMAP，动态过程看 轨迹推断，数据质量看 doublet 检测。若关注组织空间定位，进入空间转录组三篇（总览、spot 与单细胞对比、去卷积与映射）。通用聚类算法（层次聚类、k-means、CAST）已移至核心方法 · 聚类算法。
scRNA-seq 总览
测序原理、五阶段标准分析流程、dropout 与平台对比。
进入子主题细胞 Barcode 与 UMI
Barcode 标记、UMI 去重与 count matrix 的生成。
进入子主题聚类与 UMAP 降维
PCA、k-NN 图、Leiden/Louvain 聚类与 UMAP 可视化。
进入子主题轨迹推断
伪时间、RNA velocity 与细胞分化路径分析。
进入子主题Doublet 检测
识别并去除同一液滴中多细胞造成的假杂交信号。
进入子主题空间转录组总览
空间分辨转录组的技术原理与数据形态。
进入子主题Spot 与单细胞
理解 spot 混合信号与单细胞分辨率的差异。
进入子主题去卷积与映射
从 spot 表达谱反推细胞组成与空间映射。
进入子主题与其他板块的连接
Section titled “与其他板块的连接”- 数据预处理依赖 测序质控；
- 差异表达分析参见 转录组章节；
- 多模态整合参见 单细胞 Multiome；
- 通用聚类算法见 核心方法 · 聚类算法。