📚 课程目录第4章参数selection.method详解

selection.method 参数详解：mvp 方法

mvp 方法，全称是 Mean-Variance Proportional。说实话，这是 Seurat 早期版本里的老兵了。我在两三年前的项目中，还经常用它来筛选基因。现在虽然有了 vst 和 dispersion 这两个新秀，但 mvp 的底层逻辑——均值-方差关系，仍然是理解所有方法的基础。

你想想看，高变基因的核心是什么？就是那些在不同细胞间表达波动大的基因。但有个坑：基因的表达均值越高，它的方差天然就越大。如果你直接用原始方差排序，选出来的全是高表达的“管家基因”，那就全错了。

mvp 的做法很简单：它把每个基因的方差，先用均值做一个“校正”。说白了，就是算出每个基因的方差，再减去根据均值预测出来的背景方差。剩下的部分，才是真正值得关注的“超额方差”。

mvp 的数学本质

我个人习惯用一句话来概括：mvp 就是先拟合一条均值-方差曲线，然后看每个基因离这条曲线有多远。

具体流程，我用一个表格说清楚：

步骤	做了什么	输出什么
1. 计算均值和方差	对所有基因，逐基因计算标准化后的均值和方差	基因级别的统计量
2. 拟合均值-方差关系	用 loess 回归拟合 log10(方差) ~ log10(均值)	一条背景方差曲线
3. 计算标准化方差	实际方差 / 拟合方差，或直接取残差	每个基因的 mvp 得分
4. 选择高变基因	按 mvp 得分降序排列，取 top nfeatures	高变基因列表

这里有个细节，你一定要注意。Seurat 中的 mvp 方法，在计算方差时用的是标准化方差，而非原始方差。标准化方差的计算公式是：

标准化的方差 = Var(X) / (mean(X) * (1 - mean(X)))

嗯，这里要提醒你。这个标准化其实是对二项分布方差的一种近似。单细胞数据是 count 数据，理论上应该服从负二项分布。但 mvp 用了二项分布的假设，所以它对基因表达均值较高的基因，会有一定的“过度惩罚”。

mvp 的三大配置参数

当你选择 selection.method = "mvp" 时，实际上只有三个参数可以调节。我来逐个说清楚。

核心参数组：

y.cutoff（默认 0.5）：标记基因是否为高变基因的 mvp 得分阈值。说白了，就是残差有多大的基因才算“高变”。
mean.function（默认 FastLogVMR）：计算均值-方差关系时使用的函数。一般用默认就行。
dispersion.function（默认 FastLogVMR）：计算离散度时使用的函数。不用改。

实际调用时的代码长这样：

seurat_obj <- FindVariableFeatures(
  object = seurat_obj,
  selection.method = "mvp",
  nfeatures = 2000,
  y.cutoff = 0.5,
  mean.function = FastLogVMR,
  dispersion.function = FastLogVMR
)

你看，代码本身非常简洁。但真正决定高变基因质量的，不是这些参数，而是你前面的数据预处理。

mvp(vst) 的特殊之处

如果你仔细阅读过 Seurat 的源代码，你会发现在 selection.method 里，mvp 后面跟着一个括号，写着 (vst)。这不是写错了，而是因为 vst 方法本质上是对 mvp 的数学改良。

我在项目中遇到过这样的场景：同一批数据，用 mvp 选了 2000 个基因，用 vst 选了 2000 个基因，交集只有 800 多个。我当时很困惑，到底是哪个方法出了问题？

后来我仔细对比了筛选出来的基因，发现一个规律：

mvp 更偏好高表达的稀有基因，比如一些细胞特异性表面标志物。
vst 更均衡，它在高表达和低表达基因之间做了一个更好的折中。

为什么会这样？因为 vst 用了一个更复杂的方差稳定变换，它对低表达基因的方差惩罚没有 mvp 那么重。

避坑指南：如果你发现高变基因中，有大量线粒体基因或核糖体基因，那说明你的数据标准化可能有问题。我曾经在一个公共数据集中遇到过这种情况，排除了线粒体基因后，下游聚类效果好了很多。

mvp 方法的适用场景

我个人对 mvp 的评价是：它不是一个坏方法，但它是一个旧方法。在 Seurat v4 之前的版本中，它一直是默认方法。现在 vst 才是主流。

不过，如果你在做以下工作，我建议你还是用 mvp：

做批次校正前的快速探索：mvp 的计算速度比 vst 快一个数量级。当你只想快速看一下数据概况时，用 mvp 非常高效。
处理超大规模数据：我手头有一个 10 万细胞的样本，用 vst 要跑 3 分钟，用 mvp 只需要 20 秒。时间差距很明显。
需要兼容旧代码：如果你在维护一套老项目，里面的 FindVariableFeatures 用的就是 mvp，那继续用下去也没问题。

一张图看懂 mvp 的完整流程

下面这张 SVG 图，把 mvp 的整个数据处理流程画清楚了。你看一眼，就能明白数据是怎么从原始 count 矩阵，一步步变成高变基因列表的。

实际项目中的配置建议

假设你正在做一个 5000 细胞的 PBMC 数据集，想快速看看有哪些细胞类型。我个人习惯这样配置：

seurat_obj <- FindVariableFeatures(
  object = seurat_obj,
  selection.method = "mvp",
  nfeatures = 2000,
  y.cutoff = 0.5
)

但如果你发现选出来的高变基因里，很多都是高表达的细胞骨架基因（比如 ACTB、GAPDH），那就说明 y.cutoff 太低了。你可以试着提高到 1.0 或 1.5：

seurat_obj <- FindVariableFeatures(
  object = seurat_obj,
  selection.method = "mvp",
  nfeatures = 1500,
  y.cutoff = 1.2
)

经验之谈：当你把 y.cutoff 从 0.5 提高到 1.5 时，选出来的基因数量会显著减少。这时候需要同时提高 nfeatures，或者降低 y.cutoff 重新试。我一般会用 nfeatures = 2000 作为定值，然后微调 y.cutoff，让最终选出的基因数在 1800-2200 之间。

最后再强调一句，mvp 方法对数据本身的“质量”非常敏感。如果你的数据中有很多细胞是空的（即大部分基因为 0），那么 mvp 算出来的均值-方差曲线会非常离谱。这时候，先把低质量细胞过滤掉，比调任何参数都管用。