📚 课程目录第3章高变基因选择与降维

高变基因选择与降维：FindVariableFeatures、PCA计算、ElbowPlot

说实话，分辨率调优这件事，很多人一上来就猛调resolution参数，结果越调越乱。我刚开始也犯过这毛病。后来才明白，真正的起点不在这里——而是基因筛选和降维。这一步做不好，后面任何聚类都是空中楼阁。

今天咱们就扎进去，把高变基因选择、PCA计算和ElbowPlot这三个环节彻底聊透。

为什么要先筛高变基因？

单细胞数据动辄两万个基因，但大部分在细胞之间差异极小。你想想看，那些在所有细胞里都差不多的基因，对聚类反而产生噪声干扰。我们只需要保留那些在不同细胞群之间表达量有显著波动的基因——这就是高变基因（Highly Variable Genes, HVGs）。

核心原则：高变基因 = 信号最强、聚类信息最丰富的基因子集。一般选2000~5000个，数据质量好的话2000足矣。

我在项目里遇到过一批肿瘤样本，细胞异质性本来就不高，结果我贪心选了5000个高变基因。你猜怎么着？聚类结果里挤出来一堆无意义的亚群，全是噪声。后来砍回2000个，一下子就清晰了。

Seurat中的FindVariableFeatures

Seurat提供了两种方法：vst（默认）和mean.var.plot。我个人偏爱vst，速度快，结果稳定。但如果你用老版本（Seurat v3以前），mean.var.plot也够用。

来个实际代码看看：

# 标准做法
pbmc <- FindVariableFeatures(
  pbmc,
  selection.method = "vst",
  nfeatures = 2000
)

# 查看选中的高变基因
head(VariableFeatures(pbmc))

小技巧：如果数据里含有大量低质量细胞（比如线粒体基因占比高），先做QC再做高变基因筛选，否则那些死细胞的基因波动会污染HVGs列表。

筛选完之后，你会得到一个变量基因标签。这时候最好先画个火山图或者高变基因散点图，快速检查一下选择的基因是否合理。

# 可视化高变基因（可选）
plot1 <- VariableFeaturePlot(pbmc)
plot2 <- LabelPoints(plot = plot1, points = head(VariableFeatures(pbmc), 20))
plot1 + plot2

嗯，这一步很多人会跳过。但我建议你养成习惯——看一眼，心里就有底了。

PCA降维：把高维信息压缩进主成分

选完高变基因，数据维度还有2000。直接拿2000维去做聚类，计算量太大，而且很多维度其实是冗余的。PCA的作用就是把2000个基因的信息压缩成几十个主成分（PC），每个PC代表一组基因的协同变化模式。

说白了，就是把类似表达模式的基因揉成一个维度，保留核心差异，扔掉噪声。

# PCA计算
pbmc <- RunPCA(
  pbmc,
  features = VariableFeatures(pbmc),
  npcs = 50
)

# 查看结果
print(pbmc[["pca"]])

注意：不要一上来就用默认的npcs=50就不管了。如果你的数据只有几百个细胞，用50个PC会过拟合。一般根据细胞量调整：几百个细胞用15~20个PC就够了；上万个细胞可以用30~50个。

我曾经帮同事调试一个仅300个细胞的数据集，他跑了50个PC，结果画UMAP时发现前两个PC几乎解释了所有方差，后面的PC全是噪声。这就是典型的过度降维——不是越多越好。

ElbowPlot：找到PC的"拐点"

PCA做完后，每个PC都有一个解释方差百分比。一般来说，前几个PC解释的方差很大，后面的PC贡献越来越小。但到底选多少个PC合适？ElbowPlot就是帮我们看这个"拐点"的。

# 画ElbowPlot
ElbowPlot(pbmc, ndims = 50)

图出来后，你会看到一条下降曲线。找那个斜率突然变缓的位置——就像手臂的肘关节一样。我个人习惯在那个拐点对应的PC数上加2~3个，容错留一些。

举个例子：如果拐点在PC=12，我会选14或15个PC用于后续聚类。为什么？因为拐点之后的PC虽然贡献小，但可能包含了罕见的细胞亚群信号，加几个进去不会引入太多噪声。

经验值：大部分单细胞数据，ElbowPlot的拐点出现在PC=10~20之间。如果你发现拐点很靠后（比如PC=40），说明数据本身信噪比很低，建议回头检查QC和高变基因筛选步骤。

知识体系梳理

为了把这三个环节的关系说清楚，我画了一张流程图。你可以把它当成一个检查清单，每次跑流程时对照着走一遍。

实战中的几个决策点

HVGs数量：数据量大（>5000细胞）选3000~5000，数据量小选1500~2000。不要无脑用默认2000。
PC数上限：npcs建议设为50，但实际只用到前15~30。ElbowPlot的纵轴是标准差，不是解释方差百分比。
为什么不直接走默认的30个PC？因为有些数据的最佳PC数可能只有10个，强行用30个会引入大量噪声，导致UMAP图变成一团浆糊。
可重复性：每次重跑分析，建议设置随机种子（set.seed(42)），不然ElbowPlot的曲线会因为随机性有微小波动。

曾经有过的坑：我做过一批10x Genomics的PBMC数据，按教程直接用了20个PC做聚类，结果发现一群T细胞被分成了两个子群。回头一看ElbowPlot，拐点其实在PC=12，后面8个PC基本是噪声。改成12个PC后，那两个子群合并了，表达谱也一致。所以，一定要自己看ElbowPlot，不要偷懒用默认值。

总结一个检查清单

每次做单细胞分析前，把下面的表过一遍，就不会漏了。

步骤	关键点	常见错误
FindVariableFeatures	选vst方法；nfeatures=2000	忘了做QC直接筛
RunPCA	npcs=50（上限），但实际只用前15~30	细胞数少时npcs过大
ElbowPlot	找斜率拐点；拐点后加2~3	肉眼判断不准可以看PC解释方差比例
可视化确认	画PCA投影图、热图看基因贡献	跳过此步，直接跑UMAP

说白了，高变基因选择和PCA降维就是一个信号提取和压缩的过程。你把好质量的信号提炼出来，后面聚类才能站得稳。这一章的内容，我建议你多跑几个样本，反复看ElbowPlot的变化，慢慢就能培养出"手感"。