外泌体组学（bulk EV RNA / 蛋白）回答的是：囊泡里有什么；但往往还缺一个关键问题——这些分子是谁分泌的、在什么细胞状态下被装进去的。单细胞测序（single-cell sequencing）通常在组织或培养体系中的单个细胞层面测量基因表达（或染色质等），本身并不直接「测一颗外泌体」，却能为外泌体研究提供细胞类型坐标系和生物学解释框架。
本文先给出 scRNA-seq 数据分析全流程及每一步要获取的目标（§1），再梳理在外泌体研究中的典型应用场景（§4）、与 bulk 外泌体数据的衔接方式及常见误区。外泌体 miRNA 测序 QC 见 miRNA-03；多组学平台见 miRNA-05。
段末注释：scRNA-seq（single-cell RNA sequencing，单细胞 RNA 测序）指在单个细胞分辨率下测定转录组；与对外泌体馏分做的 bulk sRNA-seq 样品层级不同，二者常配对或参考式联合使用。
读前说明
- 「单细胞测序 + 外泌体」多数方案是 scRNA-seq（细胞侧）+ bulk EV 组学（囊泡侧），而非对每一颗外泌体做 scRNA-seq（后者仍处探索阶段，见 §7）。
- 配图位于
miRNA-09-单细胞测序在外泌体研究中的应用场景/。
1. 单细胞数据分析：全流程与每步要获取什么
与外泌体联用之前，需要先理解 scRNA-seq 本身在算什么。下面是一条常规单细胞转录组分析链（§1）；每一步都对应一个明确目标——最终产出「带标签的细胞图谱」，才能在外泌体研究中用于来源追溯、机制解释等（§4 应用场景）。
图 1 从原始数据到与 bulk EV 组学衔接；下表与图同步，便于对照。
| 步骤 | 分析内容 | 要获取的目标 | 与外泌体研究的关联 |
|---|---|---|---|
| ① 原始数据 QC | 读段质量、接头、测序深度 | 确认测序成功、剔除低质量读段 | 劣质数据会导致后续「假亚群」，误导 EV 来源推断 |
| ② 比对与定量 | CellRanger / STARsolo 等，生成细胞 × 基因矩阵 | 每个细胞测到了哪些基因、多少计数 | 图谱的「原材料」；注意：标准流程对 miRNA 捕获极差 |
| ③ 细胞过滤 & 双细胞去除 | nFeature、nCount、线粒体比例；DoubletFinder 等 | 去掉死细胞、双细胞，保留可靠单细胞 | 干净图谱才能对应到真实分泌细胞类型 |
| ④ 归一化 & 高变基因 | LogNormalize、SCTransform；选 HVG | 消除测序深度差，聚焦生物学变异基因 | 为聚类与 EV 反卷积提供可比特征 |
| ⑤ 降维 | PCA → UMAP / t-SNE | 在低维空间看见细胞群结构 | 可视化「有哪些群」；报告与沟通用 |
| ⑥ 聚类 | Louvain / Leiden | 发现转录组相似的细胞亚群（cluster） | 亚群 = 潜在的不同 EV 分泌来源 |
| ⑦ 细胞类型注释 | 参考 marker 字典、SingleR、人工 curator | 把 cluster 贴上生物学名字（如 T 细胞、成纤维细胞） | EV 来源追溯的「字典」 |
| ⑧ 差异表达 / marker | 簇间 DE、FindAllMarkers | 每个亚群的特征基因列表 | 找「哪群高表达某 miRNA 加工基因或候选 cargo 相关基因」 |
| ⑨ 批次整合 | Harmony、Seurat integration、scVI | 合并多患者/多样本，去批次保留生物学 | 构建可复用的 EV 反卷积参考图谱 |
| ⑩ 细胞通讯推断 | CellChat、CellPhoneDB、NicheNet | 配体–受体网络、谁可能在向谁发信号 | 与 **EV miRNA 介导的远程调控假设对接（§4 场景 5） |
| ⑪ 构建参考图谱 | 汇总注释矩阵、导出 marker、细胞类型表达谱 | 可发布的「单细胞地图」+ 参考表达谱 | 供 EV bulk 信号反卷积、签名比对 |
| ⑫ 衔接 bulk EV 组学 | 反卷积、相关、模块对齐 | 解释 EV 谱来自哪类细胞、何种状态 | 本文核心：sc 为 EV 提供坐标系（§4、§6） |
段末注释：UMAP（uniform manifold approximation and projection）为常用降维可视化方法；HVG（highly variable genes，高变基因）指细胞间变异最大的基因子集，用于聚类。
常用软件栈（了解即可）：Seurat、Scanpy 涵盖步骤 ③–⑩大部分；CellRanger 负责 ①–②；与 EV 衔接常用 R/Python 自定义脚本或 MuSiC 等反卷积工具。
2. 为什么外泌体研究需要「单细胞视角」？
bulk 外泌体 RNA 谱（如 miRNA-03 所述）是多种细胞类型、多种生理状态分泌物的混合信号：
| bulk EV 数据的局限 | 单细胞视角能补什么 |
|---|---|
| 血浆 EV 来自全身体多种组织 | 提供「哪些细胞类型表达哪些 miRNA/基因」的参考 |
| 肿瘤 EV 混合了肿瘤、基质、免疫细胞分泌 | 区分亚型（如 T 细胞 exhaustion vs 效应态）谁更可能分选特定 cargo |
| 差异 miRNA 难解释机制 | 关联供体细胞通路、受体–配体网络 |
| QC 签名缺参考 | 建立细胞类型特异的 EV-miRNA 预期谱 |
一句话：bulk EV 是「混合果汁”；scRNA-seq 提供「水果成分表」，帮助你知道果汁可能来自哪些水果、各占多少。
3. 先分清：测的是「细胞」还是「囊泡」？
| 层级 | 测什么 | 常见技术 | 在本系列中的位置 |
|---|---|---|---|
| 单细胞 | 单个细胞的 mRNA 等 | scRNA-seq、snRNA-seq | 本文 |
| Bulk EV | 外泌体馏分混合 RNA/蛋白 | sRNA-seq、LC-MS/MS | miRNA-03、miRNA-07 |
| 单囊泡/单颗粒（前沿） | 极少 RNA 或表面标志 | 单 EV RNA 测序、流式分选单颗粒 | §7 简述 |
初学者易混淆：scRNA-seq 不等于对外泌体做单细胞测序；多数是用细胞图谱解释或预测 bulk EV 信号。
4. 六大应用场景
场景 1：细胞来源追溯（cell-of-origin）
要解决的问题
血浆或体液中的 **EV miRNA/mRNA 信号来自哪些组织或细胞类型？（液体活检核心问题之一）
怎么做
- 构建或引用组织/器官 scRNA-seq 图谱（如 Human Cell Atlas、肿瘤 TME 图谱）；
- 测定血浆 EV 的 sRNA-seq / RNA-seq；
- 用反卷积（deconvolution）或参考映射：将 bulk EV 表达谱分解为细胞类型贡献比例。
典型工具思路：MuSiC、SCDC、InstaPrism 等（多开发于 bulk 组织反卷积，迁移至 EV 需谨慎验证）。
注意
- EV miRNA 与胞内 mRNA 组成不完全相同（分选机制见 miRNA-02 §3）；
- 血浆 EV 含血小板、内皮等背景，需与 miRNA-03 §3.3 溶血/血小板 QC 联动。
场景 2：亚型特异性分泌——「谁在分泌」
要解决的问题
肿瘤微环境中，是肿瘤上皮、成纤维细胞还是某种 T 细胞亚群在释放携带特定 miRNA 的 EV？
怎么做
- 对原发灶或类器官做 scRNA-seq，定义亚群 marker；
- 分离培养上清或体内血浆 EV，做 sRNA-seq；
- 关联：某 **EV miRNA 升高 ↔ 图谱中哪类细胞高表达该 miRNA 或其加工机器组件。
实验加强版
- 流式分选（FACS）特定细胞群 → 收集条件培养基 → 提 EV → sRNA-seq（见场景 4）；
- 因果上更干净，但通量与成本更高。
价值
为「EV 作为细胞亚型活动读出」提供依据，而非仅报告混合信号变化。
场景 3：供体细胞状态 ↔ EV cargo 关联
要解决的问题
细胞从「静息」到「应激/EMT/免疫激活」状态变化时，分泌 EV 的 miRNA 谱如何变？
怎么做
| 设计 | 说明 |
|---|---|
| 配对设计 | 同一体系同时收细胞（scRNA-seq）+ 上清 EV（sRNA-seq） |
| 伪配对 | 独立队列用细胞状态评分 + EV 谱相关 |
| 扰动实验 | 药物/缺氧处理前后，比较 sc 状态与 EV 签名 |
分析要点
- 在细胞侧算 module score（如 EMT、IFN 响应）；
- 在 EV 侧看 miRNA 组成 / 差异；
- 检验：状态轴是否与 **EV miRNA 轴相关（Spearman、WGCNA 模块对齐）。
与系列 QC 的关系
供体细胞状态剧烈变化（凋亡、应激）时，tRF/rRNA 污染可能升高——miRNA-03 §8 失败模式需同步监控。
场景 4：分选细胞群体的 EV 分析
要解决的问题
去掉「混合果汁」，直接看某一细胞类型的分泌 cargo。
典型流程
1 | 组织/培养 → scRNA 定义 marker |
适用
验证场景 2 的推测；构建细胞类型特异 EV 参考签名（可反哺 miRNA-06 T11 签名库）。
局限
分选应激、培养外 EV 分泌行为可能与体内不完全一致。
场景 5：微环境通讯——配体轴 + EV 轴
要解决的问题
细胞间通讯不只靠可溶性因子，EV 携带的 miRNA 也是「远程信使」；scRNA-seq 擅长推断配体–受体（L–R）网络，**EV miRNA 提供另一条调控层。
整合思路
- scRNA-seq 推断 L–R 对（CellChat、CellPhoneDB、NicheNet）；
- EV miRNA 靶基因预测（TargetScan 等）与受体细胞表达交叉；
- 假设：发送细胞高表达 miRNA + 受体细胞高表达靶基因 → EV 介导调控候选。
解读纪律
预测网络假阳性高；需 EV 摄取实验、miRNA 海绵/抑制剂功能验证。
场景 6：液体活检注释与生物标志物开发
要解决的问题
患者血浆 **EV miRNA 变化，对应体内哪种病理过程或哪种细胞应答？
怎么做
- 用大型 scRNA 图谱定义「疾病相关细胞状态」及特征基因集；
- 将 **EV miRNA（及其预测靶基因集）与这些基因集做 GSEA 式重叠；
- 或训练「EV 谱 → 细胞状态/组织贡献」的机器学习模型（需独立队列验证）。
与 QC 平台衔接
生物标志物结论须建立在 miRNA-03 合格样品之上；miRNA-05 联合 QC 避免「谱型变化实为溶血/血小板 artefact」。
5. 常见单细胞技术选型（与外泌体联用）
| 技术 | 测什么 | 与外泌体联用方式 |
|---|---|---|
| scRNA-seq | 单细胞 mRNA | 最主要参考；来源追溯、亚群 marker |
| snRNA-seq（single-nucleus） | 细胞核 RNA | 冻存组织、难消化样本；间接推 EV 来源 |
| scATAC-seq | 染色质开放 | 解释 EV cargo 变化的调控层（较间接） |
| 空间转录组 | 空间位置 + 表达 | 定位「哪一 niche 分泌相关 EV 信号」 |
| CITE-seq | RNA + 表面蛋白 | 与 EV 表面蛋白组 (miRNA-07) 对照 |
miRNA 特别提示：标准 scRNA-seq 对 miRNA 捕获很差（读长与建库偏向 mRNA polyA**）。细胞侧看 miRNA 往往靠：
- miRNA 特征基因间接推断（Drosha、DGCR8 等）；
- 或单独做 small RNA 的 bulk / 低输入方案——不能默认 scRNA 矩阵里可直接看 miRNA 丰度。
外泌体侧 miRNA 仍以 sRNA-seq 为主（miRNA-03）。
6. 数据整合：分析流程示意
1 | ┌─────────────────┐ |
最低配置：scRNA 公开图谱 + 自测 EV sRNA-seq + 严格 QC。
理想配置：自测配对 scRNA + EV 多组学 + 功能验证。
7. 前沿：单囊泡 / 单颗粒测序（了解即可）
真正意义上的「单外泌体测序」仍面临 RNA 量极低、扩增偏倚、分类纯度等问题。相关方向包括：
- 单 **EV RNA 测序（极低输入 sRNA 文库）；
- 微流控包裹单囊泡 + 测序；
- 单颗粒 索引 + 表面蛋白检测（与测序并行）。
与成熟 scRNA-seq 相比，单 EV 分辨测序尚未成为常规场景；当前外泌体项目仍以 bulk EV + scRNA 参考为主流实用路径。
8. 局限与常见误区
| 误区 | 实际情况 |
|---|---|
| 「做了 scRNA 就等于测了外泌体单细胞」 | scRNA 测的是细胞，不是 EV |
| 「胞内高表达 miRNA 一定大量进 EV」 | 分选有选择性（miRNA-02 §3） |
| 「反卷积比例等于真实分泌比例」 | 算法假设强，需独立验证 |
| 「培养上清 EV = 体内 EV」 | 应激、FBS 背景、分泌动力学不同 |
| 「忽略血小板/溶血」 | 血浆 EV 分析必做 miRNA-03 §3.3 |
9. 与本系列文档的衔接
| 需求 | 阅读 |
|---|---|
| **EV miRNA 怎么 QC | miRNA-03 |
| 转录组分析平台 | miRNA-06 |
| 蛋白组 + 多组学 QC | miRNA-07、miRNA-05 §5 |
| 签名库 / 参考谱 | miRNA-06 T11 |
| 平台开发排期 | miRNA-04 |