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](https://mp.weixin.qq.com/s/1O1zuwLyM6_W0hZm5I26UA) ，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！