CITE-seq分析 与 scRNA-seq数据分析，两者在数据类型、分析流程、技术重点和结果解读上既有继承又有拓展。
🧬 一、基础定义
| 项目 | scRNA-seq | CITE-seq |
|---|---|---|
| 全称 | Single-cell RNA sequencing | Cellular Indexing of Transcriptomes and Epitopes by Sequencing |
| 类型 | 单模态：只测基因表达 | 多模态：RNA + 表面蛋白（ADT） |
| 数据来源 | mRNA（转录组） | mRNA + 抗体条形码（表面蛋白） |
🧪 二、数据结构对比
✅ scRNA-seq 数据结构：
输入数据矩阵：细胞 × 基因
通常是一个稀疏的 UMI 计数矩阵
✅ CITE-seq 数据结构：
双模态数据：
RNA矩阵：细胞 × 基因（与scRNA-seq相同）
ADT矩阵：细胞 × 抗体标签（即细胞表面蛋白表达）
📌 常用术语：
RNA assay：mRNA表达量（如 CD3E、ACTB 等）
ADT assay：抗体条形码标记的蛋白丰度（如 CD3、CD4、CD8 等）
🔬 三、分析流程对比（Seurat为例）
| 步骤 | scRNA-seq分析 | CITE-seq分析 |
|---|---|---|
| 1️⃣ 预处理 | 数据质控（过滤低质量细胞） | RNA & ADT双通道同时质控 |
| 2️⃣ 归一化 | SCTransform 或 LogNormalize | 分别归一化 RNA 和 ADT（如 CLR） |
| 3️⃣ 降维 | PCA → UMAP/t-SNE | RNA主导降维，也可融合ADT |
| 4️⃣ 聚类 | 基于RNA建图（邻接图、Louvain） | 可融合RNA+ADT建联合图 |
| 5️⃣ 差异分析 | 查找 marker genes | 可同时找 marker genes + marker proteins |
| 6️⃣ 细胞注释 | 基于RNA表达 + 文献比对 | 结合表面蛋白（更准） |
🧠 四、CITE-seq 的优势与应用
✅ 优势：
增强细胞分型准确性（特别是免疫细胞）
蛋白表达比RNA更稳定 → 更少dropout
可识别RNA表达模糊但蛋白分型清晰的细胞群
📌 应用场景：
肿瘤免疫微环境研究
T细胞亚群识别（如 naive vs memory）
多模态联合建模（TotalVI, Seurat v4, MOFA+ 等）
🧰 工具生态对比
| 工具 | 支持scRNA-seq | 支持CITE-seq |
|---|---|---|
| Seurat v3/v4 | ✅ | ✅（多模态支持） |
| Scanpy | ✅ | ✅（通过 muon 或手动处理） |
| TotalVI | ❌ | ✅（专为RNA + ADT建模设计） |
| MOFA+ | ✅ | ✅（任意模态组合） |
| SingleR / Garnett | ✅ | 部分支持 |
🔎 结果示例图（假想）：
scRNA-seq UMAP：细胞群按RNA聚类，可能存在“模糊边界”；
CITE-seq UMAP：更清晰地分出 CD4+ / CD8+ / Treg 等亚型；
FeaturePlot：CD3E（RNA） vs CD3（蛋白）对照，更准确识别细胞类型。
✍️ 总结一句话：
CITE-seq 分析是对传统 scRNA-seq 分析的功能增强，融合了蛋白模态信息，使细胞类型判别更加精细准确，尤其在免疫系统研究中具有重要优势。