当你的单细胞亚群都不特异的时候肿么办
做单细胞数据分析，我们当然希望看到一个清晰的降维聚类分群结果，这样才方便做生物学亚群注释，比如前面的例子：人人都能学会的单细胞聚类分群注释 ，第一次分群就非常漂亮！
但那个毕竟是理想情况下，实际上很多单细胞数据集分析到最后，分群其实很勉强，比如2019年11月发表的皮肤单细胞文章，标题是：《Transcriptome landscape of myeloid cells in human skin reveals diversity, rare populations and putative DC progenitors》，链接在：https://doi.org/10.1016/j.jdermsci.2019.11.012，研究者们对10个健康受试者的皮肤样品进行单细胞测序，然后鉴定了 myeloid cell populations.
我看到作者给出了一个重要的单细胞亚群图，如下所示：
可以看到，这个就是普通的降维聚类分群，选取tSNE的坐标，最简单的seurat配色分群，就直接出图了。有很多可以改进的地方，比如umap的可视化这个时候理论上就会比原始的tSNE好很多。
但是这22个原始分群是如何被作者给出来生物学名字的，就很有意思了。如果是从标记基因角度，你很难看出来作者是如何对不同细胞亚群进行生物学注释的：
作者这里的细胞亚群及其大类的定义就很扯淡，内皮细胞可以和免疫细胞并列，其中免疫细胞可以细分为淋巴系和髓系，但是那个树突细胞和巨噬细胞理论上都是myeloid这样的髓系免疫细胞啊，而且这里面的成纤维细胞居然并不是一个大类别，而且也不显示它的通用标记基因。
细分亚群也是如此
上面我们提到了，树突细胞和巨噬细胞理论上都是myeloid这样的髓系免疫细胞，所以作者这里也把它们混起来进行细分亚群，如下所示：
Fig. 2. Re-clustering of macrophages and dendritic cells.
然后细分的亚群，命名呢，并不是生物学功能命名，而是以单个基因特异性进行命名。但是后续标记基因气泡图又采取了另外的命名方式，如下所示：
proliferating genes (sky blue bar), dendritic cell markers (dark blue bar), macrophage markers (black bar), cDC2 markers (orange bar), cDC1 markers (cyan bar), Mw/DC subcluster #0 markers (red bar) Mw/DC subcluster #1 markers (brown bar).
Mw/DC subcluster #5 is a cluster of proliferating DCs and appearing to represent cDC2 progenitors.
而且居然还可以进行差异分析：
fcDC2 marker gene set (comprising CD1C, CD1E, CD1A, CD11b, CD11c, FCER1A, SIRPA and CLEC10A) cDC1 marker gene set (comprising CLEC9A, CADM1, IDO1 and XCR1).
也是非常的勉强：
这个时候我就非常佩服作者讲故事的能力了，无论多么差的数据分析结果，只有能给一个合理的生物学解释，就足以发表了。
灵活拷问
如果是你的数据遇到了如此尴尬的分群，你会怎么办？
另外，作为一个学徒作业吧，想办法拿到这个文章的单细胞转录组数据，走一下我们一直讲解的单细胞转录组数据处理流程，看看能不能拿到比作者漂亮的结果哈！