3、标准化与降维聚类：NormalizeData、FindVariableFeatures、ScaleData、RunPCA、RunUMAP、FindClusters

好，咱们开始真刀真枪地处理数据了。前面读进来的表达矩阵还是原始 count，基本没法直接比较——有的细胞测序深度高，有的低，直接降维聚类会乱成一锅粥。所以官方推荐了一串流程，我习惯叫它“六步曲”。

3.1 流水线概览

这六个函数按顺序调用，每一步都在为下一步做准备。我刚开始用 Seurat 时觉得 Step 3 可以跳过，结果 PCA 图全是离群点…后来老老实实走完整套，再没出过幺蛾子。

步骤	函数	核心目的
1	NormalizeData	消除测序深度差异，让细胞在相同尺度上可比
2	FindVariableFeatures	挑选信息量最大的基因（通常 2000 个）
3	ScaleData	中心化 + 缩放，给每个基因均值为 0 方差为 1
4	RunPCA	线性降维，提取主成分
5	RunUMAP	非线性降维，用于 2D 可视化
6	FindClusters	基于图社区检测，划分细胞亚群

3.2 NormalizeData：让数据可比

说白了就是给每个细胞做个“归一化”。默认方法是 LogNormalize——先算出每个基因占该细胞总 UMIs 的比例，再乘上缩放因子（默认 10000），最后取 log1p。

pbmc <- NormalizeData(pbmc, normalization.method = "LogNormalize", scale.factor = 10000)

为什么非要这一步？你想想看——一个测了 5000 个 UMIs 的细胞和一个只测了 500 个的，原始 count 根本没法比。归一化之后，单位变成了“相对表达量”，这才公平。我个人习惯直接用默认参数，除非你的数据是单细胞核 RNA 或者有特殊批次效应，才考虑换 sctransform。

3.3 FindVariableFeatures：筛选高变基因

不是所有基因都有区分细胞的潜力。比如那些在所有细胞里都不表达的基因，或者表达量恒定的管家基因，它们对聚类没贡献。我们只挑“最会变”的 2000 个基因。

pbmc <- FindVariableFeatures(pbmc, selection.method = "vst", nfeatures = 2000)

这里有个小心得：默认的 vst（方差稳定变换）效果通常好于旧版的 mean.var.plot。不过如果你的数据特别稀疏（比如 10x v3 上清液），可以试试 selection.method = "mvp" 。我比较过几次，vst 对高表达基因的把控更稳定。

3.4 ScaleData：中心化与缩放

这一步把每个基因的表达值转变为 Z-score——均值为 0，标准差为 1。为什么需要？因为 PCA 和后续聚类对量纲敏感，如果某个基因表达量本身就大（比如线粒体基因），它会主导主成分。缩放后所有基因平等竞争。

pbmc <- ScaleData(pbmc, features = rownames(pbmc))

注意上面代码里的 features = rownames(pbmc)——如果你只传了高变基因，那 ScaleData 只缩放那 2000 个。但为了后面做热图时能展示所有基因，我通常全量缩放，内存够用就行。实话说，全量缩放后你要小心一点：如果细胞数量特别多（几万），这一步会慢到让你想骂人，可以只缩放 VariableFeatures。

3.5 RunPCA：降维的核心

PCA 把原始几千个基因压缩成几十个互不相关的主成分。每个主成分本质上是基因表达量的线性组合，按贡献的方差从大到小排列。我们用前 20–50 个主成分就能代表大部分信息。

pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc), npcs = 50)

为什么是 50？其实默认是 50，但并不是越多越好。我一般先跑 50，然后用 ElbowPlot 看拐点——那个“肘”的位置就是有效主成分个数。在我的项目里，大多数 10x 数据集前 15–20 个 PC 就够了，再多就开始加噪声。

3.6 RunUMAP：可视化降维

PCA 是线性降维，对高维结构的还原能力有限。UMAP 是非线性方法，擅长把高维流形摊开到二维平面，同时保持局部邻居关系。它的输出就是我们在文章里最常看到的那种绚丽细胞散点图。

pbmc <- RunUMAP(pbmc, dims = 1:20)

这里的 dims 直接对应你上一步 PCA 选择的主成分序号——我习惯先用 ElbowPlot 确定有效维度，再传给 UMAP。曾经试过不筛选直接传 1:50，结果图里所有细胞挤成一坨，完全看不出结构。

3.7 FindClusters：发现细胞亚群

最后一步，把降维后的细胞聚成一个个“社区”。Seurat 用的是基于图的共享最近邻（SNN）算法，然后通过 Louvain 或 Leiden 算法做社区检测。分辨率（resolution）参数决定了聚类的粗细程度。

pbmc <- FindNeighbors(pbmc, dims = 1:20)
pbmc <- FindClusters(pbmc, resolution = 0.8)

分辨率是个值得唠叨的参数。0.5 是默认，对 PBMC 一般能分出 8–10 个群。我建议从 0.2 到 1.2 多跑几个分辨率，然后用 clustree 包可视化层次结构，直观判断哪个分辨率最合理。

嗯，到这步你就拿到了细胞的聚类标签。后面就可以做 marker 基因鉴定、差异表达分析和热图解读了。不过那些是后面章节的事，咱们先把这六步练扎实。