跨界科研笔记|用计组与通信编码读懂单细胞 R1/R2/I1 测序架构
·
前序知识（生物信息部分）
单细胞测序数据流
┌─────────────────────────────────────────────────────────────────────┐
│ 单细胞测序数据流 │
├─────────────────────────────────────────────────────────────────────┤
│ 原始测序数据 (FASTQ) │
│ ├─ R1: [16bp Barcode][12bp UMI] ← "地址标签"（谁 + 哪个分子） │
│ ├─ R2: [cDNA 序列 ~50-100bp] ← "实际数据"（基因序列） │
│ └─ I1: [6-8bp Index] ← "样本标签"（多样本时用） │
├─────────────────────────────────────────────────────────────────────┤
│ Cell Ranger 处理 │
│ ├─ 1. 用 Barcode 把 reads 分组到细胞（进程调度） │
│ ├─ 2. 用 UMI 去重（PCR 拷贝只算一次） │
│ ├─ 3. 把 R2 比对到参考基因组（虚拟地址 → 物理地址） │
│ └─ 4. 统计每个细胞每个基因的 UMI 数 │
├─────────────────────────────────────────────────────────────────────┤
│ 输出: 表达矩阵 (genes × cells) │
│ ├─ barcodes.tsv: 细胞列表（进程表） │
│ ├─ features.tsv: 基因列表（系统调用表） │
│ └─ matrix.mtx: 稀疏表达矩阵（每个进程的内存使用统计） │
└─────────────────────────────────────────────────────────────────────┘
原始测序数据FASTQ（测序仪直接输出的原始文件）
- 以上的 R1 /R2 /I1 并非需要同时出现
- FASTQ 文件的"配对"取决于测序策略
核心原则：一个 DNA 片段产生几条 reads，就有几个 FASTQ 文件
| 测序策略 | 文件组合 | 说明 |
|---|---|---|
| 单端测序 (Single-end) | 只有 R1 | 只从一端读一次 |
| 双端测序 (Paired-end) | R1 + R2 | 从两端各读一次 |
| 双端 + 单 Index | R1 + R2 + I1 | 双端 + 1 个样本标签 |
| 双端 + 双 Index | R1 + R2 + I1 + I2 | 双端 + 2 个样本标签（i5 + i7） |
10x Genomics 单细胞的实际情况为例：
- 标准 10x 单细胞（如 3’ Gene Expression）——最少 2 个，最多 3 个（单 Lane 情况下）
📁 fastqs/
├── sample_S1_L001_R1_001.fastq.gz ← 必有：Barcode + UMI
├── sample_S1_L001_R2_001.fastq.gz ← 必有：cDNA 序列
└── sample_S1_L001_I1_001.fastq.gz ← 可选：样本 Index（多样本混测时）
- 10x 多样本混测（Cell Multiplexing）——使用 CMO（Cell Multiplexing Oligo） 时，每个细胞自带一个标签，不需要 I1：
📁 fastqs/
├── sample_S1_L001_R1_001.fastq.gz
└── sample_S1_L001_R2_001.fastq.gz
样本区分信息在 R1 的 CMO 序列 里，不需要额外的 I1 文件。
Notes：不是R1/R2/I1 “三种配对”
一个 DNA 片段
│
┌───────┴───────┐
│ │
双端测序 单端测序
│ │
R1 + R2 只有 R1
│ │
┌─┴─┐ （无配对）
│ │
有Index? 无Index?
│ │
├─ 是 → +I1 └─ 只有 R1
│ (+I2双Index)
└─ 否 → 只有 R1+R2
- 常见类型总结
| 场景 | 文件数 | 组成 |
|---|---|---|
| 单端、无 Index | 1 | R1 |
| 单端、有 Index | 2 | R1 + I1 |
| 双端、无 Index | 2 | R1 + R2 |
| 双端、单 Index | 3 | R1 + R2 + I1 |
| 双端、双 Index | 4 | R1 + R2 + I1 + I2 |
| 10x 单细胞标准 | 2-3 | R1 + R2 (+ I1) |
“一般 fastq 有三种配对的文件，R1/R2/I1”
- 双端测序产生 R1 和 R2 两个文件，它们是一对相互配对的 reads（来自同一个 DNA 片段的两端）
- I1 不是 R1/R2 的"配对"，而是独立的 Index read，用于样本拆分
- 有些实验根本没有 I1（单样本测序），有些有 I1+I2（双端 Index）
R1 和 R2 是"物理配对"（来自同一 fragment），I1 是"逻辑标签"（用于区分样本），两者性质不同。
互通逻辑1：原始测序数据R1/R2/I1 = 指令格式中的不同字段
1. 计算机组成原理中的一条机器指令：
┌─────────┬─────────┬─────────┬─────────┐
│ 操作码 │ 源操作数1 │ 源操作数2 │ 目的地址 │
│ (Opcode) │ (Src1) │ (Src2) │ (Dest) │
└─────────┴─────────┴─────────┴─────────┘
2. 10x 测序中，一个DNA 片段的"读取指令"被拆分成三条 reads：
┌─────────────────────────────────────────────────────────────┐
│ 一个 DNA 片段 = 三条 Reads │
├─────────────────────────────────────────────────────────────┤
│ I1 (Index Read) │
│ ┌─────────────────┐ │
│ │ 6-8 bp Index │ ← "样本选择信号" / 多路复用器选择端 │
│ │ = 样本标签 │ 类似：内存地址的高位（体选信号） │
│ └─────────────────┘ │
├─────────────────────────────────────────────────────────────┤
│ R1 (Read 1) │
│ ┌──────────────────────────────────┐ │
│ │ [16bp Cell Barcode][12bp UMI] │ ← "地址字段" │
│ │ = 细胞ID + 分子ID │ 类似：内存地址+序列号 │
│ └──────────────────────────────────┘ │
├─────────────────────────────────────────────────────────────┤
│ R2 (Read 2) │
│ ┌────────────────────────────────────┐ │
│ │ ~50-100 bp cDNA 序列 │ ← "数据字段" │
│ │ = 实际的基因序列 │ 类似：操作数/数据 │
│ └────────────────────────────────────┘ │
└─────────────────────────────────────────────────────────────┘
3. 多层类比
- 第一层：R1 = 地址总线，R2 = 数据总线
| 测序组件 | 计算机组成原理概念 | 解释 |
|---|---|---|
| R1 | 地址总线 (Address Bus) | 只传"去哪里"的信息（哪个细胞、哪个分子），不传实际数据 |
| R2 | 数据总线 (Data Bus) | 只传"是什么"的信息（基因序列），不带地址标签 |
| I1 | 体选信号 / Bank Select | 多样本混测时，选择"当前数据属于哪个样本" |
就像 内存读取操作：CPU 先发送地址（R1），然后内存返回数据（R2）。地址和数据走不同的总线，不会混在一起。
- 第二层：R1 = 页表项，R2 = 物理页内容
用虚拟内存系统来类比：
┌──────────────────────────────────────────────────────────────┐
│ 虚拟内存 ↔ 单细胞测序 │
├──────────────────────────────────────────────────────────────┤
│ 虚拟地址 (Virtual Address) │
│ ├─ VPN (Virtual Page Number) = Cell Barcode │
│ │ → 标识"这个数据属于哪个进程（细胞）" │
│ └─ Offset = UMI + 序列位置 │
│ → 标识"这是进程内的哪个具体位置（哪个分子）" │
├──────────────────────────────────────────────────────────────┤
│ 页表 (Page Table) = Cell Ranger 的 Barcode 映射表 │
│ ├─ 输入: Cell Barcode (16bp) │
│ └─ 输出: Cell ID (如 Cell_001, Cell_002...) │
├──────────────────────────────────────────────────────────────┤
│ 物理页 (Physical Page) = 参考基因组上的基因位置 │
│ └─ R2 的序列比对到基因组后，确定"这个基因在哪个染色体位置" │
├──────────────────────────────────────────────────────────────┤
│ TLB (快表) = Cell Ranger 的内存缓存 │
│ └─ 常用 Barcode 直接查缓存，不用每次都遍历映射表 │
└──────────────────────────────────────────────────────────────┘
R1 的作用 = 页表查询的 key：
没有 R1，你不知道这条 reads 属于哪个细胞（就像没有虚拟地址，你不知道数据属于哪个进程）
- R1 本身不包含"内容"，只包含"地址信息"
- 第三层：R1 = 标签字段，R2 = 数据字段（Cache Line 视角）
现代 CPU 的 Cache Line 通常包含：
┌─────────┬─────────────────────┐
│ Tag │ Data │
│ (标记) │ (数据) │
│ 用于匹配 │ 实际存储的内容 │
└─────────┴─────────────────────┘
在 10x 测序中：
┌─────────────────────────────────────────────────────────────┐
│ Cache Line = 一个 DNA 片段 │
├─────────────────────────────────────────────────────────────┤
│ Tag 字段 (R1 + I1) │
│ ├─ I1: 样本 Index → "属于哪个 Cache 组（样本）" │
│ ├─ Barcode: 细胞 ID → "属于哪个 Cache 行（细胞）" │
│ └─ UMI: 分子 ID → "这个 Cache 行的版本号（去重用）" │
├─────────────────────────────────────────────────────────────┤
│ Data 字段 (R2) │
│ └─ cDNA 序列 → "Cache 行中存储的实际数据" │
│ 比对到参考基因组后，确定"这个数据是什么基因" │
└─────────────────────────────────────────────────────────────┘
UMI = 时间戳/版本号：PCR 扩增会产生多个相同的拷贝，UMI 就像 MESI 协议中的状态标记，用于识别"这是同一个原始数据的副本"，去重时只保留一个。
- 第四层：R1/R2 分离 = 哈佛架构 vs 冯·诺依曼架构
| 架构 | 特点 | 类比 |
|---|---|---|
| 冯·诺依曼 | 指令和数据共享同一总线 | 如果 R1 和 R2 混在一起，需要额外解析 |
| 哈佛架构 | 指令和数据分开存储、分开传输 | R1（地址/控制）和 R2（数据）物理分离 |
10x 测序采用的是"类哈佛架构"：
- R1 走一条测序通道（只读 barcode + UMI）
- R2 走另一条测序通道（只读 cDNA）
- 两条通道并行，互不干扰
好处：R1 可以读得更短（28bp），R2 可以读得更长（50-100bp），就像 哈佛架构中指令缓存和数据缓存可以独立优化。
对应关系
| 测序概念 | 计算机组成原理概念 | 解释 |
|---|---|---|
| R1 | 地址总线 + 控制总线 | “这条数据给谁、是第几个副本” |
| R2 | 数据总线 | “这条数据的内容是什么” |
| I1 | 片选信号 / Bank Select | “这批数据属于哪个芯片（样本）” |
| Barcode | 虚拟页号 (VPN) | 映射到具体的细胞（进程） |
| UMI | 序列号 / 时间戳 | 用于去重的唯一标识 |
| 参考基因组 | 物理地址空间 | 所有可能的基因位置的总和 |
| 比对 (Alignment) | 地址转换 (MMU) | 把虚拟地址（序列）转成物理地址（基因组坐标） |
4. CPU 取指执行的流程类比
CPU 执行指令 ↔ Cell Ranger 处理 reads
─────────────────────────────────────────────────────────────
1. PC 发出地址 ↔ R1 提供 Barcode（虚拟地址）
2. MMU 查页表 ↔ 查 Barcode→Cell 映射表
3. 从内存取指令 ↔ 根据 Barcode 把 reads 分到对应细胞
4. 指令译码 ↔ R2 序列比对到参考基因组
5. 执行运算 ↔ 统计 UMI，去重，生成表达量
6. 写回结果 ↔ 写入表达矩阵
R1 是"地址和控制阶段"，R2 是"数据执行阶段"——两者分离，流水线才能高效运转。
互通逻辑2： Index样本标签设计 与 通信容错编码设计
1. Index 不是随机命名的，是精心设计的"纠错码"
一个真实的 Index 序列示例（Illumina Nextera 接头）：
| Index 名称 | 序列 | 用途 |
|---|---|---|
N701 |
TAAGGCGA |
样本 1 |
N702 |
CGTACTAG |
样本 2 |
N703 |
AGGCAGAA |
样本 3 |
N704 |
TCCTGAGC |
样本 4 |
N705 |
GGACTCCT |
样本 5 |
N706 |
TAGGCATG |
样本 6 |
| … | … | … |
这些序列不是随机的，而是经过算法优化的，满足以下数学约束：
2. 保证不重复的三大设计原则
原则一：汉明距离（Hamming Distance）≥ 2
汉明距离：两个等长字符串，对应位置不同字符的个数。
N701: TAAGGCGA
N702: CGTACTAG
↑↑↑↑↑↑↑↑
8 个位置全不同 → 汉明距离 = 8
N701: TAAGGCGA
N703: AGGCAGAA
↑↑↑↑↑↑↑↑
位置1,2,3,5,6,7,8不同 → 汉明距离 = 7
设计要求：任意两个 Index 之间的汉明距离 ≥ 2（通常 ≥ 3 或 4）
为什么？
假设测序时某个碱基读错了（Q20 意味着 1% 错误率）：
- 如果汉明距离 = 1：一个碱基错误就会导致误判为另一个样本
- 如果汉明距离 = 2：一个碱基错误后，仍然最近的是原序列，不会误判
- 如果汉明距离 = 3：可以纠正 1 个错误（纠错码原理）
类比计算机：就像 RAID 的校验位 或 ECC 内存 —— 用冗余度换取容错能力。
原则二：碱基组成平衡（Color Balance）
Illumina 测序是基于荧光信号的，每个循环（cycle）同时读取所有 cluster：
Cycle 1: 所有 cluster 的第一个碱基同时被激发荧光
Cycle 2: 所有 cluster 的第二个碱基同时被激发荧光
...
问题：如果某个 cycle 上某个碱基（如 A）占比过高，荧光信号会饱和，导致信号串扰（cross-talk）。
设计要求：每个 Index 序列中，A/T/C/G 的比例尽量接近 25%。
好的 Index: CGTACTAG → C:25%, G:25%, T:25%, A:25%
差的 Index: AAAAAAAA → A:100%（信号饱和，无法区分）
类比计算机：就像 时钟信号的占空比 —— 50% 占空比最稳定，0% 或 100% 会导致时钟恢复失败。
原则三：无连续重复碱基（Homopolymer 限制）
差的 Index: AATTTTGG → 连续 4 个 T
好的 Index: CGTACTAG → 无连续重复超过 2 个
原因：连续相同碱基会导致信号相位漂移（phasing） —— 测序仪在不同 cycle 之间"失步"。
类比计算机：就像 曼彻斯特编码 或 8b/10b 编码 —— 避免长串的 0 或 1，保证时钟恢复。
3. Index 的设计算法
Illumina 的 Index 序列是通过组合优化算法生成的：
目标：从 4^8 = 65536 个可能的 8bp 序列中，选出 N 个满足：
1. 两两汉明距离 ≥ d（通常 d=3）
2. 每个序列内部碱基平衡
3. 无长串重复碱基
4. 与接头序列无互补（避免形成发夹结构）
这是一个典型的"球包装问题"（Sphere Packing Problem）
类比计算机：就像 CDMA 的扩频码设计 —— 从巨大的码空间中选出正交性好的码组，保证多用户同时通信不干扰。
4. 实际拆分流程（Demultiplexing）
混合测序数据（所有样本混在一起）
│
▼
┌─────────────────────────────────────┐
│ 读取每条 reads 的 I1（或 I1+I2） │
│ 例如：读到 ATCACG │
├─────────────────────────────────────┤
│ 与已知的 Index 列表进行比对 │
│ ATCACG ──匹配──→ 患者1 │
│ CGATGT ──匹配──→ 患者2 │
│ TTAGGC ──匹配──→ 患者3 │
│ GATCGA ──匹配──→ 患者4 │
├─────────────────────────────────────┤
│ 允许错配（Mismatch） │
│ 如果读到 ATTAGG（与 ATCACG 差1位） │
│ → 汉明距离=1，最近的是 ATCACG │
│ → 判定为患者1（纠错成功） │
│ │
│ 如果读到 AAAAAA（与所有 Index 差很多） │
│ → 无法匹配，丢弃或归入 "Undetermined" │
└─────────────────────────────────────┘
Cell Ranger / bcl2fastq 的拆分逻辑：
# 配置文件 samplesheet.csv
Lane,Sample_ID,index
1,Patient_1,ATCACG
1,Patient_2,CGATGT
1,Patient_3,TTAGGC
1,Patient_4,GATCGA
软件会：
- 读取每个 reads 的 I1 序列
- 计算与所有已知 Index 的汉明距离
- 选择距离最小的匹配
- 如果最小距离 > 阈值（如 1），则丢弃
5. 为什么不会重复？数学保证
- 组合数学角度
8bp Index 的总空间：4^8 = 65,536 种可能
实际使用的 Index 数量：
- 单端 Index（I1）：通常 12-24 个
- 双端 Index（I1+I2）：8×8 = 64 个组合，或 96×96 = 9,216 个组合
即使使用 96 个 Index，也只占用了 65,536 的 0.15%
设计时通过算法保证：
- 任意两个 Index 的汉明距离 ≥ 3
- 这意味着：即使 1 个碱基测错，仍然能正确归属
- 错误归属的概率极低（< 0.1%）
6. 类比总结
| 概念 | 计算机/通信类比 | 解释 |
|---|---|---|
| Index 序列 | CDMA 扩频码 | 多个信号共享同一信道，用正交码区分 |
| 汉明距离 ≥ 3 | ECC 纠错码 | 汉明码可以纠正 1 位错误 |
| 碱基平衡 | 时钟恢复编码（8b/10b） | 避免长串同符号，保证信号同步 |
| 无连续重复 | 游程长度限制（RLL） | 硬盘编码避免长串 0/1 |
| Demultiplexing | 路由器根据 VLAN Tag 分流 | 根据标签把混合流拆分到不同端口 |
| Undetermined reads | CRC 校验失败的帧丢弃 | 无法匹配的 reads 丢弃，保证 purity |
“为什么可以通过 Index 区分样本，怎么保证不重复？”
I1/I2的Index 不是随机的，而是像 CDMA 码或 ECC 码一样，通过数学算法精心设计的。它们在序列空间中彼此"远离"（汉明距离大），即使测序有错误也能正确归属，就像纠错内存能自动纠正位翻转一样。
DAMO开发者矩阵，由阿里巴巴达摩院和中国互联网协会联合发起，致力于探讨最前沿的技术趋势与应用成果，搭建高质量的交流与分享平台，推动技术创新与产业应用链接，围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐
0
0- 0
已为社区贡献1条内容
所有评论(0)