企业官网建设流程全解析

开头（先讲清楚这篇文章在拆什么）

我接触过不少肺癌单细胞项目，其中肺腺癌（LUAD）是最需要把“上皮”单独拎出来做图谱分析的实体肿瘤类型，没有之一。原因很简单：LUAD的病理分型、驱动突变状态、预后分层以及微环境组成，绝大多数信息都被压缩在“上皮细胞到底处于什么状态”这个问题里。而想把这个问题回答到位，仅靠常规单细胞转录组远远不够。这也是为什么近几年多组学联合课题越来越多——单细胞、空间转录组、全外显子组测序三种数据组合起来，才可能同时回答“这些上皮细胞的突变背景是什么、它们和谁挨着、它们正在往哪个方向分化”。

看到这类题目时，很多刚开始做肿瘤组学数据分析的同学第一反应是“把所有数据丢进同一个流程跑一遍就行”。实际做过一遍就会发现，这个课题的核心难点根本不是数据量大，而是三个组学各自的分辨率、误差来源和生物学含义完全不同，硬拼在一起早晚会翻车。这篇文章不准备复述任何一篇具体论文，而是想从数据结构、分析管线到最容易被忽略的质量陷阱，把这一类“上皮细胞图谱”课题完整拆一遍。无论你是要复现类似工作流，还是想给自己手头的肺癌单细胞数据加一层WES和空间验证，这套思路都能派上用场。

1. 从题目本身拆需求：为什么肺腺癌非要建一张“上皮专图”

1.1 肺腺癌的上皮谱系本身是一张“折叠地图”

肺腺癌的上皮细胞图谱之所以难建，首先是因为正常肺上皮本身就足够复杂。气道和肺泡区分布着基底细胞、杯状细胞、纤毛细胞、Club细胞、AT1细胞、AT2细胞，还有一个数量很少但功能关键的气道上皮干细胞群。AT2细胞被普遍认为是LUAD最常见的潜在起源细胞，但肿瘤发生过程中还可能出现鳞状分化、神经内分泌分化等“谱系可塑性”现象。换句话说，一张只标注“上皮”二字的图谱根本没有分辨力，必须把上皮细胞再往下拆出几十个状态，才有可能看到肿瘤从哪里起源、向哪里漂移。

同时，肺腺癌的组织学亚型——贴壁型、腺泡型、乳头型、微乳头型、实体型——本质上对应着不同的上皮细胞成熟和分化程序。比如微乳头型往往表现出明显的细胞干性和上皮-间质转化倾向，实体型则更多和增殖、氧化应激相关。以前靠病理切片和bulk测序只能看到这些亚型“目前的平均状态”，但上皮亚克隆内部是不是早就分道扬镳，谁是主导克隆，谁在化疗后更容易存活，这些问题必须依靠高分辨单细胞和空间信息才能回答。

1.2 从“全细胞图谱”到“上皮专图”的取舍逻辑

现在公开的肺癌单细胞图谱已经不少，很多课题一开始会做全细胞的聚类和注释：上皮一大撮，免疫一大撮，成纤维/内皮一大撮。这个宏观视图适合回答“微环境里都有谁”，但对上皮细胞表型研究来说反而是一种稀释。

问题出在两点。第一，上皮细胞在组织里占比不高，尤其是早期病灶或冰冻样本里，免疫细胞和基质细胞往往更多；如果全细胞一起做聚类，上皮亚群的“质心”很容易被其他细胞类型带偏，而且肿瘤上皮还会出现表达免疫抑制分子或基质程序的现象，让聚类结果更混乱。第二，临床上真正关心的驱动突变、耐药状态、分化可塑性，主要集中在上皮区室；单把上皮细胞拿出来重新聚类、重新排序、重新推演化路径，反而更容易稳健地拿到结论。

我在实际分析里通常会在全细胞注释之后马上做一步“上皮亚集重塑”：把EPCAM、KRT19、KRT8等上皮标记阳性的细胞全部抽出，再做二次聚类，同时加上一个前提——不去掉可能被视为低质量的低表达细胞，因为这些细胞很可能代表终末分化的AT1样状态或正在发生EMT的过渡态。这一步做与不做，对后期空间映射的影响非常明显。

1.3 一个合格的上皮图谱到底要交付什么

结合这一类题目的目标，比较好的交付物应该同时满足三层：第一，一张带明确层次结构的细胞状态图，比如从正常AT2、AT1、Club等参考状态过渡到恶性、增殖、EMT、应激等肿瘤状态；第二，每个状态都有可复现的标志基因、转录因子网络和生物学解释，而不是只有cluster编号；第三，每个主要状态都能与组织学位置对应，比如哪种亚型在腺泡结构里富集，哪种状态在肿瘤边缘高发。这三层分别对应单细胞、WES和空间数据能发挥的长处，少掉任意一块，图谱的生物学解释力都会打折扣。

2. 三个组学各管一段：单细胞、空转、全外的分工与依赖关系

2.1 WES：给上皮细胞装一套“基因层面的身份证”

全外显子组测序的任务，是拿到肿瘤组织和配对正常组织的体细胞点突变、小片段插入缺失以及拷贝数变异。它在整个多组学课题里承担的角色，更像“底盘”。原因很直接：单细胞转录组测序在基因位点上的覆盖深度极不稳定，很多低频突变在转录本层面根本测不到；而WES能够给出区域内比较高置信度的突变全景，尤其是EGFR、KRAS、TP53、STK11这些LUAD高频驱动事件。

不过WES本身也有一个致命错觉：它测的是肿块组织或者显微切割组织的“平均DNA”，肿瘤纯度低的样本里，低频亚克隆突变很容易被正常细胞稀释成背景噪声。实际处理时，我一般会先做病理评估和肿瘤含量估计，再决定突变检出的阈值策略。拷贝数变异部分，WES通过测序深度的滑动窗口来推断，这个信息和单细胞转录组的表达谱并无直接关系，但它能起到一个很关键的“锚点”作用：单细胞水平用inferCNV或CopyKAT推出的拷贝数改变，必须尽量和WES的区段拷贝数对得上，否则这个假阳性就有点危险。

2.2 单细胞转录组：把上皮状态切成最小分辨率单元

单细胞转录组数据承担的是“画格子”的工作。每个细胞都是一个小格子，格子上写着它此刻表达的基因组合。上皮细胞状态的判断，本质上是把这种基因表达组合聚成在生物学上可解释的类别。抗体的表达谱比较清晰，但上皮并不好办。AT2细胞的经典标记SFTPC、SFTPA1、LAMP3表达会随肿瘤恶变急剧下降；已经恶性化的细胞可能不再表达经典肺泡标记，而开始出现增殖、低氧、干扰应答或EMT相关程序，甚至在转录水平上和成纤维细胞发生“拟态”。

单细胞层面上最值得花时间的，不是跑没跑cellranger，也不是挑了什么聚类分辨率，而是“恶性细胞鉴定”这一步到底做得够不够严谨。通常先用上皮标记圈出细胞群，再结合拷贝数推断黑夜白昼式地判断恶性程度，之后还要划分肿瘤上皮和正常上皮的连续性。肿瘤上皮内部往往不是离散的几个点，而是一个跨越增殖、应激、分化、EMT的可塑谱系。所以单细胞这一棒的任务，不是急于给每个cluster讲故事，而是要确定哪些细胞来自同一个克隆背景、哪些状态之间存在连续过渡，以及哪些表面标志在未来可以作为空间验证的指针。

2.3 空间转录组：把状态重新摆回组织学坐标

空间转录组数据，尤其是10x Visium这类基于捕获位点的技术，分辨率介于单细胞和bulk之间。它的核心产物不是“一个点等于一个细胞”，而是每个spot里大约覆盖若干个细胞，带着它们的位置坐标和表达信息。对上皮图谱而言，空转的价值体现在三个方面。

一是把单细胞分析中得到的复杂状态进行空间“回填”，看这些状态在真实组织里更喜欢聚集在肿瘤巢、肿瘤边界、基质邻近区还是正常肺泡区。二是可以提供组织结构层面的上下文：一个EMT状态的上皮细胞，如果总是贴着成纤维细胞和胶原区域分布，那它表达TGFβ信号的可能性就要高得多。三是可以用空间可变基因分析找出那些在肿瘤边界对刺状分布的分子线索，帮助寻找侵袭前沿的潜在标记。

但空转也有不容易处理的地方：spot不是单一细胞，且利用HE染色切片进行组织切分、区域的对应完全依赖于病理学经验，处理不好会在坐标归位第一步就引入系统性偏倚。我总是把空转数据当成“信息整合器”，而不是盲目把单细胞数据里的细胞标签直接映射过去。这样可以得到不同分组的显式结果。

2.4 三组学协作关系的表格化总结

为了讲清楚三个组学在整个课题里的角色，我把常用的分工和依赖关系整理成了下面这张表。这张表也是我在搭建分析流程之前，一定会发给团队先对齐的一份“共识文档”。

有了这张表，后续所有分析决策其实都是在回答同一个问题：这个结论是否能同时被至少两种数据维度互相印证？如果能，就有资格作为图谱的稳定组成部分；如果不能，就需要回到数据层面找原因。

3. 上皮细胞群的提纯：从原始矩阵到可信的恶性上皮注释

3.1 质控参数不能照搬免疫细胞那一套

大多数主流教程里的质控流程是：线粒体基因比例< 20%、基因数> 200、细胞数不低于某个阈值。我做过肺部样本之后，对这种“通用阈值”越来越警惕。肺组织里有大量高代谢细胞和部分外层剥落细胞，线粒体比例天然就比外周血单核细胞高；而AT1这种极度扁平的终末分化细胞，总基因数本来就不高，采用严格基因数过滤会把一小批真实但低表达的上皮直接“误杀”。

更合理的方式是先按样本来源分别估计分布，再用相对离群值来做过滤，而不是用一把绝对尺子卡死所有细胞。最好把细胞周期相关评分计算出来保留在元数据中，因为恶性上皮细胞经常处于高增殖状态，不考虑这个因素会让后续聚类被增殖相关基因主导，反而掩盖了真实的谱系分化差异。

双联体处理同样别省。10x数据在加载量偏高的样本里，双联体比例可能超过5%，而肿瘤上皮和巨噬细胞双联体会非常像“EMT上皮”，如果不清除，做出来一个假的“高间质特征上皮亚群”是很常见的事。现在常见的双重检测方案是基因表达和基因型联合的算法，按样本独立建模，不推荐用全局阈值。

3.2 用标记基因搭出上皮“粗骨架”

做完质控和双联去除之后，第一步是用标记基因划出粗骨架。通常用EPCAM、KRT8、KRT18等作为泛上皮标注，用PECAM1、PTPRC、COL1A1把内皮、免疫和成纤维细胞踢出去。这个阶段不需要太纠结个别细胞，只要保证上皮细胞群的纯度总体较高就行。

接下来把上皮细胞抽出来单独再聚类。这一步我用的是“先粗后细”：第一轮聚类分辨率调低一点，拿到大概5-10个类群，先识别正常上皮大类，比如肺泡区域（AT1、AT2）、气道区域（基底、Club、纤毛、杯状）等等；第二轮再把那些明显呈现高CNV、高增殖、叛离经典上皮标志的类群挑出来，加密聚类，分辨率逐步提高。这样能有效避免一开始就把分辨率拉满，然后看着六十多个cluster无从下手。

3.3 恶性上皮的判定不能只靠单个算法

恶性性注释从来不是靠一个点就拍板。我们常听到的三板斧是：inferCNV、CopyKAT、以及经典的“前后基因表达计数统计”。但为了提升准确性，我会把这三套方法的判定结果做共识投票。

比如一个上皮细胞，inferCNV给出高拷贝数变异信号，CopyKAT也判为肿瘤，但这个细胞恰好还高表达正常AT2基因，这时候我依然会把它归为恶性，因为肿瘤早期在保留部分分化程序时完全可能兼具正常表型。反过来，如果一个细胞在表达层面显得很“恶性”，比如高表达SPP1、SOX9、细胞周期基因，但CNV信号完全干净，还和周围成纤维细胞形成一个连续谱，就要警惕是否夹带了成纤维转录本。

在实践里，一个相对可靠的做法是：先挑出各患者的正常上皮作为参考，同时对每个患者单独运行推断，而不是把所有人混在一起算一个全局CNV基线。因为不同患者之间拷贝数基线、参考细胞组成差异很大，全局基线容易让低CNV的肿瘤被误判成正常，或者把正常组织的多态性误判成拷贝数事件。患者内部比较虽然在统计次数上吃亏，但生物学准确度明显更高。

3.4 一个容易被忽视的细节：保留“低质量”信号的正常上皮

这听起来有悖常识，但我在实际分析中发现，肺腺癌上皮图谱中所谓的“终末分化噪声”，比如低表达的总基因数和极低的线粒体，可能恰恰就是AT1样终末细胞或者已发生去分化的过渡态。如果为了“好看”把它们过滤掉，生成的上皮图谱会变成只含高表达细胞的偏置图像，后续再去做轨迹分析或细胞状态量化，最终得到的比例是无法还原真实组织的。

处理方法是把这些细胞放到独立的候选群里，先看它们的标志表达和空间位置。如果它们和正常AT1区域在空间中高度重合，就保留为AT1类群；如果空间上完全弥散、又与成纤维分子信号重叠，再考虑是否夹带了空液滴或坏死片段。尽量不要因为占比低的麻烦问题直接整体删除。

4. WES与单细胞的跨维度桥接：让驱动突变落到细胞状态上

4.1 突变注释和“突变是否真在该细胞群表达”是两回事

当WES已经给出了每位患者的驱动突变列表，接下来最关键的决定就是：怎么把突变信息映射回单细胞状态。很多研究只在读数的“患者画像”层面，把EGFR或KRAS的突变标注到整个肿瘤样本上，这其实不够严谨。同样是EGFR突变，不同上皮亚克隆可以有不同的表达程序；EGFR突变细胞内部还可以因为是否有TP53共突变而走向不同的分化轨道。因此，理想情况是对每个上皮大群做突变基因表达特征的评级，看驱动基因是否在该细胞亚群中活跃表达，并且观察其下游信号富集情况。

单细胞RNA层面直接检测体细胞突变并不是想象中那么靠得住。转录组对3‘端富集、基因覆盖率低，EGFR这类大基因比较容易掉reads，点突变调用敏感度非常有限。折中方案是实验设计时预留重叠区域的靶向扩增，或者干脆用“路径代理”来桥接：WES里看到KRAS突变，就去看单细胞数据中干扰素应答、MAPK信号通路的激活情况，再结合CNV推断确认哪些细胞带该位点所在区段的拷贝数异常。

4.2 拷贝数验证：WES区段与RNA推断结果的对账

WES的拷贝数信息是区域内平均的区段状态；而单细胞里的inferCNV主成分分析是一个非常粗糙的表达推断。这两个数据质量不是一个量级的，但正因如此，它们之间的对账才更有意义。

我的一套流程是：先用WES拿到每个样本的绝对拷贝数区间，比如某个患者7号染色体的区段出现扩增，那就把这个区段对应的基因列表整理出来；在单细胞数据里，看这些基因的平均表达是否在该患者的上皮细胞群中表现出更高水平。如果多个区段丢失基因的表达也符合预期下降，那么这批细胞带这种拷贝数图谱的概率就会高很多。反过来，如果单细胞推断CNV显示某区段扩增，而WES完全没有检出，那么这条推断很大概率受细胞类型混杂、基因表达文库偏好影响，需要直接质疑。

这种“双向交互式验算”虽然听起来繁琐，但它能有效地把三维数据中的假性驱动核苷酸变化筛掉。完成之后，往往可以进一步把患者分成“高拷贝数复杂度”和“低拷贝数复杂度”两类，前者恶性上皮通常表现为更显著的去分化状态，后者则保留更多正常分化证据。

4.3 克隆结构与上皮分化状态的关系

WES还提供了一个单细胞数据很难直接提供的维度：克隆结构。通过配对正常组织的突变等位基因频率、肿瘤纯度和拷贝数状态的联合建模，可以推断出肿瘤内部的主要克隆和亚克隆层次。更有趣的是，当把克隆多样性指数映射到单细胞上皮状态时，通常会看到两种趋势：克隆复杂度高的肿瘤，上皮细胞更容易出现多个离散的恶性状态；克隆结构相对简单、只有一个主克隆的肿瘤，上皮细胞更多表现为从一个起点沿单一方向连续分化。这种联动对理解“驱动突变如何塑造细胞状态空间”很有帮助。

但由于WES是bulk层面的信息，它无法精确告诉你哪个亚克隆对应哪个单细胞状态。这时候只能在两个方向折中：一是用CNV对账粗粒度匹配，比如删掉某些染色体区段的细胞群明显富集在哪个单细胞类群；二是利用转录组里基因表达的单核苷酸多态性等基因组标志，把单细胞中相关位点的等位基因表达偏差测出来，做一定程度的亚克隆追踪，对整个分析能力要求极高，但值得一试。

5. 空间转录组的坐标归位：把上皮状态重新摆回组织学位置

5.1 先把空转数据拉到和单细胞一致的坐标系里

空间转录组和单细胞数据的对齐，通常是在共享基因空间的降维上完成的。把每个spot的转录组进行降维投影到和单细胞聚类相同的主成分体系之后，就可以计算spot和细胞类型之间的富集分数。但仅凭这个做法远远不够——同一个spot里可能同时有AT2细胞、巨噬细胞和成纤维细胞，想要确定某一类上皮状态在该spot中的贡献，就得用去卷积算法处理。

去卷积算法的选型要跟数据的“干净程度”匹配。如果单细胞参考注释很干净，分成了正常/上皮/免疫等明确大类，用回归类算法就好；如果参考本身含有较多连续过渡态，则更适合用以基因为中心的反卷积策略，或者先对spot做表达解离，得到每个spot中“上皮分量”的纯化信号，再单独对该伪spot做与上皮图谱的映射。不要一上来就相信某一算法的默认输出，不同算法在同一批数据上的空间分布结果可以偏差很大。

5.2 空间上首先要回答的并不是“哪里是肿瘤”，而是“正常到恶性的过渡怎么排列”

在LuAD上皮图谱里，真正有价值的空间发现通常不是把肿瘤区和正常区分开，而是能捕捉到正常肺泡区、肿瘤边缘区、肿瘤核心区之间的状态排列关系。比如一个AT2样细胞，在正常区域可能表达完整的SFTPC、LAMP3，但在肿瘤边缘，它的AT2特征下降、SAA1之类应激程序上升，紧贴肿瘤巢后进一步呈现增殖和低氧特征。这种过渡如果只在单细胞数据里靠轨迹推断，容易被误认为“伪时间排序”，但空间位置一旦坐实，它的真实性就高很多。

实际操作中，我会先用组织病理注释把图像区域分成正常、边界、肿瘤巢、免疫富集、间质等大类，再对各区域的上皮状态分数做差异比较。边界区域特有的上皮状态往往比核心区的更值得深挖，因为它靠近正常细胞和基质环境，常被理解为肿瘤侵袭和耐药的基础生态位。

5.3 空间转录组结果用于修正单细胞注释

空间信息一个常常被低估的用途，是反过来修正单细胞的注释。举个例子，概率上很难分辨的两个上皮簇，正常AT1和一种终末分化的恶性状态，在转录组上非常相似。这时候把两个簇的marker映射到空间去，就能看看各自更倾向于占据哪个位置。如果某一簇的几个marker在正常肺泡组织中高表达，而在癌巢和边缘几乎没有富集，那这一簇就不要轻易标记为恶性。我以前做法是在单细胞结果和空转结果之间来回“校准”两三轮，最后落定的细胞注释，比一次性注释可靠得多。

需要注意的是，空间验证用的marker不要选那种在多个上皮状态下都存在的“泛表达”marker，比如泛MHC类基因就不适合作为区分类群的证据。最好是每个细胞状态都有相对特异的表面分子标签组合，并有独立的表达验证逻辑，得到结果的普适性更有帮助。

6. 整合过程里的经典翻车点与对应的规避方案

6.1 批次效应：多样性本身是信号还是噪声？

肺腺癌单细胞样本通常来自不同的患者、不同中心的测序、不同批次的建库，甚至可能跨平台。如果把它做成图谱，必然要处理多源数据批次效应。很多分析者会先选择Harmony或scVI这类方法做批量校正，再基于校正后的矩阵做全部下游聚类。这种做法确实能提高不同样本之间的混合度，但也存在一个典型风险：当肿瘤类型差异本身和批次高度混淆的时候，过度校正会把真实的差异也消掉。

我的原则是“先分离，后整合”。第一轮不矫正批次，直接按样本看数据分布，搞清楚哪些源头发明的差异是明显的生物学差异，哪些是技术漂移。再决定采用对抗性校正还是更轻量的整合。对于肿瘤上皮这种异质性极大的群体，我会把“患者本身”作为显式变量纳入下游统计模型，而不是把所有样本揉在一起做无监督。这样可以在尽量保留生物学差异的前提下压技术噪声。

6.2 注释漂移：同一批类群名称在不同患者里并不是同一含义

多患者图谱中最隐蔽的问题是：把A患者的上皮簇命名为“肺泡T2型应激态”，换到B患者的数据里，同位置聚类出来的细胞可能实际上是不同的中间态，甚至包含了少量不同谱系的上皮。由于聚类算法在不同患者间跑出来的结果本来就不会完全一致，跨患者比较时，如果直接沿用一套注释编号，很容易产生系统性偏差。

纠正方法比较麻烦但有效：先分别对每个患者做上皮聚类注释，再把稳定表达的基因签名作为参考，重新对每个细胞进行状态打分，用状态分值替代硬分类标签。这样每个细胞得到一个连续的多状态向量，跨患者统计时，不会因为聚类边界不一致而丢掉细粒度信息。凡是两种状态间签名重叠太多的，宁可在统计上合并成一个连续状态，也不要硬拆成两个类。

6.3 WES肿瘤纯度低估，导致真正值得关注的亚克隆突变被扔掉

WES分析中用突变等位基因频率和局部拷贝数估计纯度，这是常规路径。问题是如果样本中正常细胞比例高，低等位基因频率的突变会被直接当作测序错误或胚系污染清除。但在多组学课题中，能提供“这个亚克隆可能直接驱动某上皮耐药状态”最关键线索，往往就藏在这些低频突变里。

作为规避手段，我会保留两份结果：一份是按标准高置信度阈值检出的突变全集，另一份是专门的低频突变候选集。在后续的对比分析中，重点关注低频候选是否出现在某个特定上皮状态的富集基因，或者是否在空间上有偏向富集。如果低频率同时伴随局部拷贝数证据，这个“微弱信号”反而很可能具有十分重要的生物学意义。

6.4 空转去卷积被组织环境“欺骗”

空间转录组的spot里到底包含几个细胞，通常可以用细胞核染色估计，但这个数字在不同组织结构中变化巨大，肿瘤核心密度高，纤维化区域低。如果去卷积时对不同组织切使用一个固定的spot平均细胞数，结果会导致肿瘤区域细胞类型被高估，基质区域被低估。

处理上可以做两类校正：一是根据HE切片辅助估计组织密度，二是把空间中的组织学区域作为先验信息，让去卷积模型在不同区域使用不同的组成约束。这样得到的结果虽然看起来不是“全自动”，但在生物学解释层面稳定性和可信度都高得多。

6.5 协调跨组学的“版本管理”

三个组学整理出的表格各有各的坐标体系、基因命名方式和质控标准。数据集之间如果只做基因名映射而不管版本差异，最后跑出来天然会产生小比例的对不上。比如单细胞注释用Ensembl v99，WES分析用GENCODE v29，基因symbol对照就可能出现多个拼接和非编码重叠加的情况。

建议在项目第一天就定下一个基因符号映射表，全部组学统一转换成symbol作为枢纽，且保留可追溯的转化记录。不要在每个文件里各自转换后直接下游应用，否则一旦中间环节出错，排查成本会很高。做多组学整合，分析代码本身其实没有多少难度，难度全在元数据和对齐逻辑上。

7. 图谱质量的判据：怎样的结果才算真正能用于下游

7.1 稳定性：去掉一个患者、一批样本，主要结论会不会改变

判断图谱好坏的第一标准不是它画得有多细致，而是抗扰动能力。我最常做的一个测试：把数据分成若干组，随机去掉一组患者之后重新聚类，观察主要的上皮状态是否仍然存在。如果能重复稳定出现，说明这些状态不是某一个患者特有噪声驱动的。相反，一个“新型上皮状态”只在对某个患者数据单独存在，而在所有其他患者身上消失，那么它在图谱层面更多只能作为罕见状态或个体样本特征来处理，不能直接写在通用机制里。

对于连续分化路径，可以尝试用多种轨迹推断算法做一致性验证；用不同基因面板和不同上游分析结果得到的轨迹主干如果一直比较接近，这个分化轴就值得信任。

7.2 独立验证：免疫组化和多重免疫荧光不是可选项

计算层面的证据再漂亮，也很难替代独立实验验证。常见的验证方式包括：选择几个谱系关键蛋白（比如Napsin A、TTF1、p63）做常规免疫组化；对关键过渡态表面标记做多重免疫荧光，用来确认转变成分与靶标标记在空间上的共定位；甚至可以用激光显微切割做局部微量转录组测序，针对性捕获边界区域的上皮亚群。如果在条件允许的范围内没有实现任何一类独立验证，图谱结论的证据等级都会低一级，和同行交流时也容易被质疑。

7.3 能回答新问题的图谱才是好图谱

最后给一个比较务实的观点：一张图谱是否成功，不是以“数量多”“新发现多”为标准，而是看它能否回答后续研究的具体问题。比如能不能用它简化为一批可操作的基因签名，投喂给bulk RNA或者血液cfDNA数据做细胞状态比例估算；能不能明确知道某个驱动突变对应哪个上皮状态、是否伴随耐药趋势。图谱能成为公共资源的前提，是它产出的状态定义足够清晰、层级关系直白、代码可复现，而不是让人看完整套注释后仍然一头雾水。

我也建议在对外发布或整理结果时，把每个细胞类群的定义表格、marker基因列表和数据版本信息都做成一份最终交付文档。这个文档的重要性不亚于主图本身，它能让后续的任何一个协作成员在三个月后依然知道当初为什么这么注释，哪些地方做过反复修正。每一次碰到客户或协作者来询问“你这个EMT状态和之前的应激状态是不是重复定义”这类问题时，我会更确定：文档写清楚的价值，比多画十张美化的UMAP还大。

在我自己近几年处理大型肿瘤图谱的经验里，最深刻的感受是：真正给课题带来价值的，往往不是模型有多先进，而是你愿意花多少时间把数据“理清楚”。单细胞、空转、WES三个数据本身都是偏置的，单靠某一个都讲不出完整故事，但只要让它们在相互验证链条上顺起来，上皮细胞图谱就不再是一堆静态的簇和坐标，而是一个能支持后续假设检验的系统。肺腺癌上皮的多组学课题最大的吸引力就在这里：它给的不是一个标准答案，而是一套可以反复追问数据、并且每次都能问出新细节的分析方法。