高变基因选择概述：什么是 HVG，为什么重要

最开始接触单细胞分析时，我一度觉得「找高变基因」这一步可有可无。不就是把表达量高的基因拎出来吗？直到我手头一个 10X 数据跑完 PCA，所有细胞扎堆成一团，怎么调参数都分不开。后来一位前辈提醒我：你试试只拿前 2000 个高变基因重跑。结果聚类瞬间清晰了。嗯，从那时起，我再也不敢忽视这个步骤了。

什么是高变基因（HVG）？

高变基因，全称 Highly Variable Genes，指的是在细胞之间表达水平差异最大的那些基因。说白了，就是那些「有的细胞高表达、有的细胞低表达」的基因。为什么它们重要？因为真正能定义细胞类型、驱动生物学差异的，正是这些浮动剧烈的基因——而那些在所有细胞里都差不多的「管家基因」，对区分细胞几乎没有贡献。

我见过很多新手直接把全部两万个基因塞进 PCA。结果是什么？信号直接被平均掉了。举个例子：你在噪声很大的集市里想听一个人的声音，你能把所有背景噪音都一起放大吗？不行，你得先过滤掉那些没变化的背景声。HVG 选择就是这个滤声器。

为什么 HVG 选择如此关键？

从维度惩罚的角度看：单细胞数据通常是 细胞数 << 基因数（比如 5000 个细胞 vs 20000 个基因）。如果不对基因做降维，后续聚类和可视化会被大量无关基因稀释。HVG 选择把维度降到 1000~3000，同时保留了生物学差异最大的信息。

从计算效率上看：我经历过一个 10 万细胞的骨髓数据集，全基因跑 PCA 花了一个多小时，HVG 筛选后只要十分钟。说白了，时间就是成本。

从生物学意义上讲：很多关键 marker 基因（如 CD3D、CD14、CD19）本身就在高变基因列表里。如果不做 HVG 筛选，这些信号的权重会被沉默基因拉低，导致你根本看不到想看的细胞亚群。

Seurat 中 HVG 选择的基本流程

在 Seurat 中，我们通过 FindVariableFeatures 函数完成这一步。默认方法 vst（方差稳定变换）是目前最常用的。下面是最简单的调用模板：

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

这行代码会从你的基因表达矩阵里挑选出 2000 个表达量变异最大的基因，并存入 seurat_obj@assays$RNA@var.features。之后你跑 ScaleData、RunPCA 时，Seurat 默认只对这些高变基因做计算。

三种主流选择方法对比

Seurat 提供了三种方法，我过去在不同数据集上踩过坑，给你一个对比表：

方法	原理	适用场景	我的个人建议
vst	方差稳定变换，拟合基因的均值-方差关系	大多数常规 10X 数据；尤其细胞数 > 3000 时	首选，稳定且快
mvp	基于均值-变异系数（CV）的排名	数据噪声较大、捕获效率不均时	我曾在 T 细胞数据上用过，效果略好于 vst
disp	基于离散度（方差/均值）的直接排序	小样本数据或快速预览时	不太推荐，容易选中线粒体基因

HVG 选择在单细胞分析流程中的位置

下面这张图你一看就明白了——HVG 选择是连接「数据标准化」和「PCA 降维」的桥梁。跳过它，后面的降维就是在白费功夫。

一个我踩过的坑

曾经有个项目需要分析一批 10X 单细胞数据，细胞数只有 800 左右（太少）。我直接用了默认 nfeatures = 2000 和 vst 方法，跑出来的 HVG 里面居然有一半是线粒体基因和核糖体基因。聚类结果被污染得不成样子。后来我改了参数：

seurat_obj <- FindVariableFeatures(
  seurat_obj,
  selection.method = "vst",
  nfeatures = 1500,
  mean.cutoff = c(0.1, 3),
  dispersion.cutoff = c(0.5, Inf)
)

加上 mean.cutoff 和 dispersion.cutoff 之后，那些异常高表达的线粒体基因被过滤掉了。这件事告诉我：参数不是死的，要结合实际数据的表达量分布来调。更多关于这些参数的含义和调优方法，我会在第 3~5 章详细讲。

小结

高变基因选择，说简单点就是「从两万个基因里挖出那两三千个最能代表生物差异的」。它决定了你的降维、聚类、可视化能不能看到真正的细胞群体。我见过太多同学在这步敷衍了事，结果后期调聚类参数调到头秃——其实问题往往出在起点。

后面的章节，我会带你一个一个参数拆解。我们先搞定概念，再动手调代码。