📚 课程目录第3章参数selection.method详解

3. 参数 selection.method 详解：vst 方法归纳总结

好，咱们今天来聊聊 vst 这个方法。说白了，它就是 Seurat 里默认的高变基因选择方法。为什么选它做默认？因为它在多数场景下表现最稳定，尤其是处理 scRNA-seq 常见的“均值-方差”关系时，比 mvp 和 disp 更聪明。

3.1 vst 的核心思路

vst 的全称是 Variance Stabilizing Transformation（方差稳定化变换）。名字挺长，但逻辑不复杂。

目标：找到那些在细胞之间表达波动最大的基因，排除掉单纯因为表达量高才显得离散的基因。
怎么做：先拟合每个基因的表达均值与方差之间的经验关系（一般是幂律分布），然后对标准化后的方差进行打分。得分高的基因就是真正“高变”的。

我记得第一次上手 scRNA-seq 分析时，直接用原始方差排了个序，结果前几个全是线粒体基因。后来才明白，那是高表达带来的假象。vst 就是为了解决这个坑。

3.2 vst 的两步走流程

我个人习惯把 vst 理解成两步操作：拟合 → 打分。下面这张图帮你一眼看清全流程。

经验小贴士： vst 的拟合过程默认只用了前 2000 个基因（通过 nselection 参数控制），并不是遍历全部 2 万多个基因。这能大幅加速计算，而精度损失几乎可忽略。我曾在 6 万细胞的数据集上测试过，完全够用。

3.3 vst 的核心参数

你直接跑 FindVariableFeatures 默认就是 vst。但有些参数值得手动调一调。我整理了下面这个表格，方便你对照。

参数名	默认值	含义	我的建议
`nfeatures`	2000	最终保留的高变基因数	细胞数 >5000 时可升至 3000–5000
`nselection`	2000	用于拟合均值-方差关系的基因数	一般不动，增加会拖慢速度
`loess.span`	0.3	LOESS 回归的平滑参数	数据噪声大时可调到 0.5，不要低于 0.2
`clip.max`	'auto'	裁剪极端值的分位数上限	默认 auto 一般不必改；若有异常高表达基因，手动设 0.01 或 0.05
`mean.cutoff`	c(0.1, 8)	均值筛选范围（log尺度）	想保留更多低表达基因可放宽下限到 0.05

3.4 代码实战：跑一次 vst

直接上代码。你会看到 vst 的调用极其简单，但背后做的工作不少。

# 加载 Seurat
library(Seurat)

# 假设你已经有了 scobj（一个 Seurat 对象）
scobj <- NormalizeData(scobj)

# 使用 vst 方法选择 2000 个高变基因
scobj <- FindVariableFeatures(
  scobj,
  selection.method = "vst",
  nfeatures = 2000
)

# 看看结果
head(VariableFeatures(scobj))

曾经踩过的坑： 有一次我忘记先对数据做 NormalizeData，结果 vst 警告了一堆 NaN。后来检查帮助文档才发现，vst 要求输入数据是经过标准化的。虽然 Seurat 内部会再处理一层，但保险起见还是先 normalize 为妙。

3.5 vst 的输出怎么看

Seurat 会在 scobj@assays$RNA@meta.features 里记录每个基因的 vst 得分。我们可以手动提取来检查。

# 提取 vst 得分表
vst_scores <- GetAssayData(scobj, assay = "RNA", slot = "meta.features")
# 查看得分最高的几个基因
vst_scores <- vst_scores[order(vst_scores$vst.variance.standardized, decreasing = TRUE), ]
head(vst_scores[, "vst.variance.standardized", drop = FALSE])

得分越高，代表该基因在细胞间表达波动越显著。你可以用这个列表去验证一下，list 里通常会有很多免疫相关的基因（如 CD3D, CD79A, LYZ 等）——这就是 scRNA-seq 里常见的信号。

3.6 什么时候该换其他方法？

vst 确实很通用，但也不是万能。我遇到过两个场景会选择避开它：

数据极其稀疏（比如 90% 以上的零）。vst 的 LOESS 拟合在低计数区域会不稳定，此时 disp 方法反而更鲁棒。
细胞类型差异非常小（比如都是同一细胞系的用药前后）。vst 可能把生物信号当作噪声滤掉，我会改用 mvp 并手动指定均值-方差阈值。

  一句话总结 vst： 它是你日常分析里最省心的选择。除非遇到上述特殊情况，否则直接用默认参数跑，效果都不会太差。我个人的 pipeline 里，80% 的项目都是直接 selection.method = "vst" 完事。

3.7 避坑指南

不要小看 loess.span：它控制着拟合曲线的光滑程度。设太小（比如 0.1）会导致过拟合，一部分低表达基因被错误地标记为高变。
注意 nselection 和 nfeatures 的区别：前者决定用多少基因来拟合曲线，后者决定最终选出多少。如果 nselection < nfeatures，多余的基因只能靠外推排序，结果会变差。
数据集太小时（比如不到 50 个细胞），vst 的方差估计会很不稳定。我一般会先凑够至少 200 个细胞再用 vst，不然就换成 disp 手动设参数。

好了，vst 的参数和方法就讲到这。你记住一个核心理念就够了：vst 通过拟合均值-方差关系把“高表达”和“高变”区分开，帮你找到真正有生物学意义的差异基因。下次跑 Seurat 的时候，不妨试试调一调 loess.span 看看变化——也许会有新发现。