跑完 Cell Ranger，拿到一个几百 MB 甚至几个 GB 的文件夹之后，你的下一步是什么？我见过不少人第一反应是打开 R 或者 Python，开始写 Seurat/Scanpy 脚本。但说实话，在我自己的项目里，拿到 10xGenomics 下机数据后，我第一件事永远是先打开 Loupe Browser 把数据“看”一遍，而不是急着跑代码。

原因很简单：Loupe Browser 是 10x Genomics 官方免费的可视化工具，专门用来读取 Cell Ranger 输出的.cloupe文件，把聚类结果、UMAP/t-SNE 坐标、基因表达、差异表达这些信息用图形界面呈现出来。很多分析决策，比如“这批样本要不要合并”“哪几个 cluster 明显是 doublet”“这个 marker 基因到底干不干净”，在 Loupe 里看一圈，心里基本就有数了。这篇就把我在实际项目里使用 Loupe Browser 的经验、流程、踩过的坑，一次说清楚。

1. 它是干什么的：揭开“.cloupe”的神秘面纱

1.1 下机数据到生物学结论之间，缺的那一层

做单细胞转录组的人都知道，Cell Ranger 跑完之后会输出一系列文件，包括filtered_feature_bc_matrix矩阵、analysis文件夹里的聚类结果和降维坐标，还有最容易被忽视的.cloupe文件。前两个是给程序员用的，.cloupe是给“人”用的。

.cloupe其实是一个打包好的二进制可视文件，里面把降维坐标（t-SNE、UMAP）、聚类结果、每个细胞的基因表达矩阵、甚至样本元信息都塞到了一起。你用 Loupe Browser 打开它，不需要写一行代码，就能在电脑上像浏览地图一样，把数万个细胞一个一个看过去。这种“所见即所得”的能力，在项目刚开始探索数据的时候，价值远大于立刻跑去跑差异分析。

1.2 只有矩阵文件也能看吗：理解 cloupe 与 filtered 矩阵的关系

很多初学者有一个误解：手头有filtered_feature_bc_matrix或者一份表达矩阵，是不是就能拖进 Loupe Browser 里看？

不行。Loupe Browser 直接识别的不是矩阵，而是.cloupe这类专属可视化文件。你拿到的矩阵需要自己通过编程工具处理，但.cloupe是 Cell Ranger 在分析流程里自动生成的。换句话说，只要你的 Cell Ranger 版本和配套的 Loupe Browser 版本对得上，拿到.cloupe是水到渠成的事。

那如果公司或者公共数据库只给了你矩阵文件呢？那 Loupe Browser 就派不上用场了。我的建议是，只要条件允许，尽量要求上游提供.cloupe文件。它本质上是一个分析和可视化之间的桥梁，没有它，Loupe Browser 就无从谈起。

1.3 支持的平台不只有 3' 单细胞

很多人以为 Loupe Browser 只能看单细胞转录组，其实不对。它支持 10xGenomics 的多个平台输出：3' 单细胞转录组（GEX）、5' 转录组、V(D)J 免疫组库、ATAC 染色质可及性分析，甚至 Visium 空间转录组的组织切片图也能在 Loupe 里叠加显示。不同类型的实验对应不同的可视化文件后缀，比如.cloupe最常见，V(D)J 有专门的格式，ATAC 也有对应的文件类型。

我刚开始用的时候只拿它看表达数据，后来才发现免疫组库的结果也可以用同一个软件看克隆分布和 VDJ 序列特征。现在新版本的功能更丰富，CITE-seq 这类蛋白标签数据也能在界面上直接按蛋白表达量着色。如果你们实验室同时做多种 10x 平台的实验，花一个下午把 Loupe Browser 摸熟，后续所有项目的探索阶段都会省力很多。

2. 从 Cell Ranger 输出到第一张 UMAP：我的上手流程

2.1 cloupe 文件从哪里来

绝大多数情况下，cloupe文件不需要你手动生成。只要你的 Cell Ranger 分析跑完了，在输出目录下就会有一个cloupe子文件夹，里面放着自带的可视化文件。

这里有一个细节容易忽略：如果你用cellranger count处理的是单个样本，得到的.cloupe就是这个样本自己的细胞。如果你跑的是cellranger aggr做多样本合并，那 aggr 的输出目录里也会有一个合并后的可视化文件，里面带有所有样本的细胞，还自动标好了样本来源。Loupe 在处理合并数据时，可以在界面里按样本给细胞着色，方便你看不同样本之间的细胞分布有没有明显偏移。

我在实际项目里，经常是先跑完cellranger count，把每个样本的 cloupe 文件都打开看一眼，确认每个样本的细胞数、聚类结构、doublet 程度，然后再决定要不要 aggr。这个顺序能帮你直接在 Loupe 里完成“数据分析前置检查”，比跑完 aggr 再后悔省事。

2.2 启动软件与主界面速览

Loupe Browser 是桌面应用，支持 Windows 和 macOS。下载安装之后，第一次启动会让你登录 10x Genomics 官网账号并激活许可证。这一步别嫌麻烦，账号注册是免费的，许可证也是免费的，只是需要联网验证一次。

打开.cloupe文件之后，你会看到一个散点图，每个点就是一个细胞，点的颜色代表当前选定的分组信息。左侧面板通常显示有哪些聚类、每个聚类的细胞数和占比；图下方可以切换 t-SNE 和 UMAP 两种降维方式。界面上方有一个明显的基因搜索框，输入基因名，图上的点会立刻变成按表达量着色的渐变图。

我记得第一次用的时候，最大的感受是“这地图真顺滑”。数万个点的散点图，缩放、拖拽、框选都非常流畅，几乎没有卡顿。这一点看起来简单，实际做可视化方案的人知道，能把几十万点的交互做到这个流畅度，技术底子是有的。

2.3 版本兼容：每次升级都容易翻车

这是 Loupe Browser 使用中最大的坑，没有之一。

.cloupe文件不是一个“永久格式”，它跟 Cell Ranger 的版本强绑定。如果你用 Cell Ranger 7.x 生成的文件，拿 Loupe Browser 5.x 去打开，大概率直接报错或者根本认不出来；反过来，新版 Loupe Browser 通常能打开旧版 Cell Ranger 生成的文件，但我个人遇到过 7.x 版本的 Loupe 打开 6.x 文件时，个别标注信息显示异常的情况。

我的经验是：版本匹配是第一优先级。用哪个版本的 Cell Ranger，就去 10x 官网查对应的 Loupe Browser 版本要求。不要贪新，不要嫌旧，匹配就好。特别是团队里有多个人的情况下，一定要让所有人用同一套版本组合，否则一个人能打开的文件，另外一个人打不开，沟通成本直接翻倍。

3. 高频功能逐个拆：聚类浏览、基因着色与差异表达

3.1 聚类图不只是看看：框选、拆分与导出

Loupe Browser 最基础的操作是查看聚类结果。左侧列表里的每一个 cluster，点一下就会在图上高亮；反过来，在图上点某个区域，也能反选到对应的细胞群。

我用的最多的是它的框选工具（lasso 和矩形框选）。当你在图上看某一片细胞独立成团，想单独看它是哪些细胞时，直接框出来，右侧会显示这个细胞群的细胞数量、样本来源、基因表达中位数等信息。这个过程不用理解代码，鼠标操作几十秒就能完成。

更进阶一点，你可以把框选出的细胞群导出。比如你发现某个 cluster 明显是双细胞（doublet），你可以把这些细胞选中，然后导出成一个子集文件，后续回到 Cell Ranger 或者 Seurat 里专门排查。这个功能我反复用过，在做质量控制时特别有用。

3.2 基因表达着色：快速定位 marker 的分布

基因搜索框是 Loupe 的灵魂功能。输入CD3D、CD14、MS4A1这类经典 marker，图上的细胞会立刻按基因表达量从低到高着色。你不需要等 R 代码跑完，就能直观看到哪一个 cluster 高表达 T 细胞 marker，哪一群是单核细胞，哪一群是 B 细胞。

这个能力在数据探索阶段几乎不可替代。我做新项目时，拿到 cloupe 文件的第一件事就是把十几二十个标准 marker 都搜一遍，截图存档。这个过程不仅帮我快速判断细胞类型，还能让我发现测序质量上的问题——如果本来应该只在某群细胞表达的基因到处都在表达，说明数据质量或者注释可能有问题。

更妙的是，你可以把多个基因加到一个基因集里，统一成“打分”展示，比如把所有 T 细胞 marker 做成一个 set，一步就能看到整个 T 细胞 compartment 的分布。这个功能在做细胞类型注释前非常有用。

3.3 一次能出图的差异表达，但要注意比较逻辑

Loupe 的差异表达功能是“一键式”的无代码操作。选中某个 cluster 或者一个自定义细胞群，点击差异表达分析，它会自动完成该细胞群与所有其他细胞群之间的比较，输出一个包含 log2 fold-change、p-value、FDR 的表格，还能直接在界面上按显著性排序查看。

方便是方便，这里有一个很重要的逻辑前提：它做的是“这个群 vs 其他所有细胞”，而不是“这个群 vs 另一个群”。如果你需要研究 cluster 3 和 cluster 7 之间的差异，那就不能直接一键解决。我的处理方式是分别导出 cluster 3 和 cluster 7 的差异表达列表，再用 Excel 或 R 手动取交集、算差值。虽然麻烦一点，但逻辑上更精确。

还有一个细节：差异表达结果的可靠性跟聚类粒度有关。如果你的 cluster 划分得太粗，一个 cluster 里面混了多种细胞类型，那比较出来的差异基因其实是多种细胞的混合信号，生物学解释起来会很尴尬。所以我一般会在确认聚类 resolution 合理之后，才去跑这个功能。

4. 一个具体场景：从肿瘤组织 T 细胞亚群到候选 marker 清单

4.1 案例设定与预期

假设我现在拿到一个肿瘤组织的单细胞转录组数据，已经跑完 Cell Ranger，打开了 cloupe 文件。我的目标是：找到与肿瘤浸润 T 细胞耗竭相关的候选 marker，并输出一份可用于后续验证的基因列表。这是一个非常典型的 Loupe 使用场景，因为整个流程不需要写代码，适合快速探索。

4.2 操作链路详解

第一步，我会先看整体聚类图。如果数据里 T 细胞很多，CD3D、CD3E 这些泛 T marker 的着色会集中在某一大片区域。如果分散在多个区域，说明细胞类型多，需要根据 marker 把免疫细胞分出来。

第二步，对 T 细胞区域做一个“基于表达量的细胞群划分”。Loupe 本身不擅长做全新的亚聚类，所以我通常会在 Seurat 里先做好 T 淋巴细胞的再聚类，生成结果后再用RunUMAP等步骤，最后把坐标信息导回到 Loupe 环境里继续看（或者直接在 Cell Ranger 环境里做分群）。如果你的研究设计不需要太复杂的再聚类，直接用 Loupe 的框选功能，把 T 细胞大群框出来，再结合经典 marker 判断亚群，也完全可以。

第三步，对选定的细胞群运行差异表达分析。比如我把鼠标点在耗竭 T 细胞特征明显的一块区域（高表达 PDCD1、CTLA4、LAG3），右键选择差异表达，与所有其他细胞比较。输出结果后按 log2 fold-change 排序，重点关注显著性排名靠前的基因。这些基因里通常会有已知的耗竭 marker，也可能会冒出一些你从未听过的基因——这些就有潜力成为后续实验的候选靶点。

第四步，把结果导出为 CSV。然后回到常规工作流，用 R 或者其他工具做通路富集、生存分析。Loupe 在这里扮演的角色是一个“初筛漏斗”，让你在大量基因里快速找出值得深挖的对象。这一步做完，你再去读文献或做实验，方向感会强很多。

4.3 导出结果并接入后续分析

Loupe 导出的差异表达列表，数据格式比较干净，可以直接用 Excel 打开，也可以直接 read 进 R。我自己习惯把导出的 CSV 保留原始字段，不手动改动，因为后续如果要复现或者溯源，原始文件是最可信的凭证。

另外，Loupe 里可以直接导出当前视图的图片。别小看这个功能，我很多次做组会汇报、写初步报告时，用的就是 Loupe 里导出的 UMAP 图和 marker 表达图，清晰度完全够用。如果你需要完全自定义的配色和排版，那就老老实实回到 ggplot2 或者 Python 里重新画，Loupe 在这里只是快速展示工具，不是出版级出图工具。

5. 和 Seurat/Scanpy 的关系：不是替代，是互补

5.1 编程工具为什么不能完全取代 Loupe

有人问我：“既然 Seurat 什么都能做，为什么还要用 Loupe？”这个问题我一开始也有，但用的时间越长越明白，两类工具解决的是不同层面的问题。

Seurat 和 Scanpy 的强项是数据分析流程的可定制性和可重复性。从 QC 到归一化、特征选择、降维、聚类、差异表达，全流程你都可以精细调控。但缺点也很明显：代码跑完了，结果以图表和数字形式呈现在终端或者 notebook 里，交互性有限。你没法用鼠标在散点图上圈一群细胞然后立即看它的 marker 表达——这在 Loupe 里是几秒钟的事。

在实际项目里，我通常是先让 Loupe 当“侦察兵”，快速看数据；发现值得深挖的问题后，再回到 Seurat 写代码做严谨的分析。这有点像先用手电筒照一圈房间，看清大概布局，再决定用什么样的工具去精细装修某一个角落。

5.2 Loupe 做不到的事：重新聚类、批次效应校正

Loupe Browser 再方便，它也只是一个可视化工具，不是一个完整的分析平台。

比如重新聚类，Loupe 只能展示已有的聚类结果，不能像 Seurat 那样调整 resolution 参数重新跑一遍聚类。如果我发现某个 cluster 明显是多个细胞亚型的混合，想把它单独提出来重新聚类，Loupe 本身做不到，我必须回到 Seurat 或者 Cell Ranger 的处理流程里操作。

再比如批次效应校正，这是单细胞分析里的核心问题。不同样本、不同批次测出的数据直接合并，往往会有明显的批次效应。Loupe 虽然能让你按样本着色，直观看到批次差异，但它不会帮你做 Harmony、CCA 这些校正计算。我只把它当做一个“侦察工具”来看批次问题的严重程度，真正的校正动作一定是在代码环境里完成的。

还有一个容易忽略的限制：Loupe 里做不了复杂的自定义分析，比如 inferCNV、拟时序分析、细胞通讯分析，这些都是编程环境的天下。所以我的原则是：能用代码解决的问题，不赖在 Loupe 里；需要用鼠标探索的问题，也别硬写代码。

5.3 我推荐的分析流水线组合

我现在跑一个新项目，工作流基本固定成这样的组合：

第一步，Cell Ranger 跑完 count 和 aggr，得到 cloupe 文件；第二步，打开 Loupe Browser 快速浏览所有样本的聚类、marker 表达和批次情况，记录初步印象，截图存档；第三步，进入 Seurat，做标准流程（质量过滤、归一化、高变基因、PCA、UMAP、聚类）；第四步，把 Seurat 的分群和细胞注释结果导回 Loupe 环境，继续用交互式界面验证、筛选和展示；第五步，用编程工具做下游分析，不跟 Loupe 纠缠。

这套流程走下来，Loupe 和 Seurat 各司其职，互相补位。Loupe 负责让人“看懂数据”，Seurat 负责让分析“可复现”，两者都不多余。

6. 新手最容易翻车的几个细节

6.1 打不开文件、卡死、搜索不到基因

先说说最常见的“打不开文件”问题。除了前面提到的版本兼容，还有几个原因值得排查：文件路径中包含中文或空格，某些 Windows 环境下会因为路径解析问题导致软件无法识别；文件过大（尤其是多个样本合并后几个 GB 的 cloupe），旧电脑内存不够，打开后容易直接卡死。我的建议是尽量把文件放在纯英文路径下，并保证电脑至少有 16GB 内存，否则体验会非常难受。

“搜索不到基因”也是高频问题。Loupe 里的基因名是基于参考基因组注释的，如果你搜的是基因别名（比如某些物种里常见的历史命名），可能搜不到。这时候需要先确认你的基因名是不是参考基因组里标准的 symbol。还有一个小坑：如果你输入的是大小写不敏感的词，界面通常能匹配；但如果你混用了不同注释风格的基因 ID（比如把 Ensembl ID 当 symbol 输入），肯定搜不到。看清楚数据是哪个参考基因组注释出来的，再确定用哪一套基因命名。

6.2 注释与差异表达结果的可靠性边界

Loupe 的细胞注释功能，本质上就是把 cluster 标注成 Cell Type。但要注意，这个标注是你人工给的名字，软件本身并不知道这个 cluster 到底是什么。很多新手容易犯一个认知错误：以为 Loupe 标注完细胞类型，这个结论就是“正确的”了。不，它只是一个管理标签的方式，标签准不准确完全取决于你对 marker 的理解和对数据的判断。

差异表达的结果也一样，它是统计计算出来的，不保证生物学意义。一个基因在统计上显著差异表达，可能是真的生物学信号，也可能是批次效应、doublet 污染、测序深度不平衡造成的。我在 Loupe 里看到任何“有意思的基因”，最后都会回到 Seurat 里重新验证一遍，确认不是技术假象。这也是我用 Loupe 这么多年最大的心得：它帮你做判断的速度很快，但最终结论一定要用更严谨的方法复核。

6.3 我的几个个人使用习惯

最后分享几个我自己的固定操作，不一定适合所有人，但至少对我是有效的。

第一，每次打开 cloupe 文件，先设置好统一的调色板和视图参数，再截图存档。这样后面做对比时，不同样本的图看起来格式一致，不会出现一个图红一个图蓝对不上号的情况。

第二，多利用“基因集”功能。我会把常用的免疫细胞 marker（T 细胞、B 细胞、NK 细胞、单核细胞、树突状细胞）都建成长久的基因集，每次打开新数据，直接一键给这些细胞类型“上色”，效率比逐个搜基因高好几倍。

第三，养成分阶段导出记录的习惯。每次框选细胞群、做差异表达、或者导出子集，都把操作得到的数据命名清楚，不要全部叫 output.csv。Loupe 里操作很轻快，一不留神就会产生很多零散文件，命名混乱的后果在下一次用的时候会成倍找补回来。

第四，遇到不确定的 marker 表达模式，我会在 Loupe 里同时打开基因表达图和 feature 数据对比，而不是只看一张图就下结论。因为单看一张图，视觉上很容易被某些高表达细胞误导，多个视角交叉比对能有效减少误判。

Loupe Browser 这个工具，从功能上来讲不复杂，真正的门槛在于你怎么把它嵌进自己的分析流程里，怎么用它辅助而不是替代你的生物学判断。我的经验是：它会成为你从下机数据到科学发现路上，使用频率最高的软件之一。你越是愿意花时间去熟悉它，后续项目推进的效率就越高。