做完转录组和单细胞分析，最让人头疼的情况之一是：两套结果像是在互相否定。
- 转录组提示某条炎症通路上调，单细胞却看不到对应细胞群明显变化；
- 转录组筛出的核心基因，在单细胞里表达很低，甚至不显著；
- 单细胞显示某个亚群扩增，转录组的总体表达却没有同步上升；
- 同一个基因在两套分析中的方向、显著性或排名不一致。
这时最容易出现两个误区：要么直接选一套“看起来更漂亮”的结果，要么把更多算法叠加上去，期待冲突自动消失。更稳妥的做法是先问清楚：两种技术测量的对象、统计单位和问题是否相同？
先记住：冲突不等于谁做错了
批量转录组通常回答的是“一个样本的总体表达发生了什么变化”，单细胞回答的是“哪些细胞、哪些状态发生了什么变化”。前者把组织中的细胞混合在一起，后者把细胞拆开观察。两套结果不一致，可能是在描述同一件事的不同层面，也可能提示样本组成、细胞状态或技术流程存在问题。
因此，第一步不是判断谁对谁错，而是把冲突拆成四类：方向冲突、定位冲突、强度冲突和设计冲突。不同类型对应的排查路径完全不同。
一张表，快速定位冲突来源
| 看到的现象 | 优先排查什么 | 下一步怎么做 |
|---|---|---|
| 批量转录组上调，单细胞总体不显著 | 是否由少数细胞亚群贡献；细胞比例是否改变 | 做伪 bulk、按样本比较细胞比例，并在目标亚群内重做差异分析 |
| 单细胞显著，批量转录组不显著 | 目标细胞是否占比太低；批量数据是否被其他细胞稀释 | 检查细胞数量和样本覆盖，结合细胞比例与亚群特异表达解释 |
| 同一基因方向相反 | 基因注释、分组定义、物种、归一化和批次是否一致 | 统一基因 ID 与比较方向，回到样本层面核对设计矩阵和批次 |
| 通路富集结论不同 | 输入基因集、背景基因、排序统计量和数据库版本是否一致 | 用同一套基因集与背景重跑，并优先比较通路活性分数而非单个富集图 |
| 单细胞结果在不同亚群间不稳定 | 细胞注释、双细胞、低质量细胞和样本间重复是否可靠 | 复核质控与注释，按样本做伪 bulk 或混合效应模型，避免把细胞当独立重复 |
表 1｜转录组与单细胞结果冲突时的优先排查路径。表中的动作应结合研究设计选择，不代表每个项目都需要全部执行。
第一关：确认比较的统计单位相同
单细胞数据里通常有成百上千个细胞，但真正的生物学重复仍然是样本，而不是细胞数量。若把每个细胞直接当作独立重复，显著性可能被人为放大；批量转录组则天然以样本为统计单位。两套结果“一个显著、一个不显著”，有时只是统计单位不同。
更稳妥的衔接方式是伪 bulk：先在每个样本、每个细胞类型内汇总 counts，再用与批量转录组相近的样本级模型比较。这样可以回答一个更公平的问题：在同一批样本中，目标细胞的表达是否真的随分组变化。
第二关：判断总体变化来自表达，还是来自细胞比例
批量转录组的变化可以由两种因素造成：
- 某一类细胞的数量变多或变少；
- 细胞数量变化不大，但细胞内部的表达状态发生改变。
例如，某炎症通路在巨噬细胞中很活跃，只要巨噬细胞在疾病样本中增加，批量转录组就可能显示该通路整体上调，即使每个巨噬细胞内部的表达变化并不大。反过来，一个占比很低但状态变化强烈的亚群，也可能在单细胞中显著，却被批量信号稀释。
所以不要只看“通路是否显著”，还要同时看细胞比例、亚群内表达和样本间重复。把三者放到同一张结果表里，通常比继续添加新的富集算法更有信息量。
第三关：排除流程和注释造成的假冲突
在解释生物学之前，先把可重复的技术问题排干净：
- 基因 ID、物种和转录本注释是否一致；
- 病例和对照的方向是否在两套分析中保持一致；
- 批量数据与单细胞数据是否来自同一组织、同一时间点和相近处理条件；
- 单细胞是否存在明显批次效应、双细胞或低质量细胞；
- 细胞注释是否依赖少数 marker，是否有足够的样本间重复支持；
- 差异分析使用的模型、协变量和多重检验方法是否被正确记录。
特别要注意“同名细胞不一定是同一种状态”。不同数据集里的“单核细胞”“成纤维细胞”可能包含不同的亚群组成。必要时应先统一注释层级，再比较通路或基因，而不是直接比较标签名称。
第四关：把冲突转化成可检验的研究假设
真正有价值的冲突，往往能帮助你把研究问题问得更具体：
- 批量信号是否主要由某个细胞亚群的比例变化驱动？
- 单细胞发现的亚群，能否在独立转录组队列中用 marker score 或去卷积得到验证？
- 批量转录组稳定出现的通路，是否只在单细胞的某个状态或拟时序阶段激活？
- 同一基因方向不同，是样本组成差异，还是处理条件和时间点不同？
当问题被改写成这些可检验的假设，下一步分析就会变得清楚：做伪 bulk、细胞比例校正、去卷积、外部队列验证，或者回到实验设计重新确认分组，而不是盲目增加图表。
一个可复用的整合顺序
- 先统一输入：确认样本、分组、物种、基因 ID、数据来源和批次信息。
- 再统一统计单位：单细胞优先按样本和细胞类型汇总，避免把细胞数当作重复数。
- 再看细胞组成：比较各亚群比例和总体表达，区分“细胞变多”和“细胞变活跃”。
- 再做交叉验证：用 marker、通路活性、去卷积或独立队列验证关键发现。
- 最后写结论：明确哪些是稳定观察，哪些是候选机制，哪些仍需要实验验证。
这套顺序的重点是先解决可比性，再讨论机制。若一开始就把两套结果混在一张热图里，往往会把技术差异误写成生物学结论。
什么时候应该找人一起复核？
如果出现以下情况，建议在继续补分析前先做一次项目级复核：
- 同一个冲突在多个数据集、多个算法中反复出现；
- 结果依赖某一个细胞亚群，但该亚群样本覆盖不足；
- 已经有差异、富集、伪 bulk 和外部验证，却仍然无法解释方向差异；
- 研究问题涉及多组学整合、临床协变量或后续实验决策。
复核的目标不是强行让两套结果一致，而是确定它们各自能支持到哪一步：批量转录组适合说明队列层面的总体变化，单细胞适合定位变化发生在哪类细胞和状态。两者可以互相补充，也可以共同指出一个需要进一步验证的矛盾。
把“结果打架”变成获客入口
如果你已经有转录组、单细胞或两者的分析结果，但卡在“哪套结果可信”“下一步补什么”“文章主线怎么写”，可以先准备四项信息：
- 数据类型、样本数和分组方式；
- 目前最冲突的两到三张图或结果表；
- 已经完成的分析流程和使用的软件版本；
- 希望文章或实验最终回答的核心问题。
把这些信息交给分析人员后，通常可以先判断冲突属于统计单位、样本组成、技术流程还是研究设计问题，再决定是否需要补做伪 bulk、去卷积、细胞通讯、外部队列验证或实验优先级排序。先把问题定位清楚，往往比直接购买一整套分析流程更省时间。
也可以先查看云生信分析服务，了解转录组、单细胞和多组学整合项目的服务范围。