2. 聚类算法基础概念归纳总结
让我先问一个问题：为什么空间转录组数据需要聚类？
说白了，组织切片上的每个 spot 都测到了几百到几千个基因的表达量。你想知道哪些 spot 属于同一个细胞类型或功能区域。聚类就是帮我们做这件事的——把相似的 spot 归到一堆，不相似的隔开。
我刚开始接触 Visium 数据时，天真地以为随便拿个 K-means 就能搞定。结果一跑出来，组织形态完全不对——同一个解剖区域的 spots 被分到了不同簇，空间连续性全丢了。嗯，后来才意识到，在空间转录组里，聚类不仅要看基因表达，还得考虑空间位置。所以这一章，我们先打基础，把聚类算法的核心概念理清楚。
2.1 聚类到底是什么？
聚类是一种无监督学习。我们不给算法提供任何标签，只给它数据点（每个 spot 的特征向量）。算法自己决定哪些点应该分到一起。
- 目标：让同一簇内的点尽可能相似，不同簇的点尽可能不同。
- 输入：一个 N×M 的矩阵，N 个 spot，M 个特征（基因表达量 + 可选空间坐标）。
- 输出：每个 spot 的簇标签（0,1,2,...）。
啊对了——在 Visium 场景下，我们通常会把 空间坐标 (x,y) 作为额外特征拼进表达矩阵，也可以单独构建 空间邻近图 作为约束。这个后面会细讲。
2.2 核心要素：距离度量
所有聚类算法都依赖“相似度”或“距离”。选哪个距离，直接影响结果。我个人习惯先看数据分布：
| 距离类型 | 公式 | 适用场景 |
|---|---|---|
| 欧氏距离 | √∑(xᵢ-yᵢ)² | 连续型数值，最常用 |
| 曼哈顿距离 | ∑|xᵢ-yᵢ| | 高维稀疏，或特征量纲差异大 |
| 余弦相似度 | (x·y)/(||x||·||y||) | 表达谱方向（如归一化后的基因表达） |
| 相关性距离 | 1 - Pearson r | 想要忽略绝对表达水平，只看表达模式 |
| 图距离（最短路径） | 节点间最短边权之和 | 基于空间邻接图时 |
我在一个项目中遇到基因表达量跨度很大（从 0 到几万），直接用欧氏距离让高表达基因主导了聚类。后来做了 log1p 归一化，再用余弦相似度，才把组织区域分开。所以——数据预处理跟距离选择是一起考虑的。
2.3 主流聚类算法家族
别看算法名字一堆，其实可以分成几个家族。我画了张图，你一看就明白：
2.4 各算法核心特点速览
这张表我平时做选型时经常翻，给你参考：
| 算法 | 是否需要预设 K | 对噪声容忍度 | 能否发现任意形状 | 空间先验支持 | 典型复杂度 |
|---|---|---|---|---|---|
| K-means | 是 | 低 | 否（球形假设） | 通过特征拼接 | O(N·K·d) |
| 层次聚类 | 否（切割后需确定） | 中等 | 依赖链接准则 | 通过距离矩阵 | O(N²·logN) |
| DBSCAN | 否 | 高（可标噪声） | 是 | 通过 eps 和空间距离 | O(N·logN) 平均 |
| 谱聚类 | 是 | 中等 | 是（图割视角） | 自然支持（基于邻接矩阵） | O(N³) 构建谱 |
| Louvain/Leiden | 否 | 中等（会聚小簇） | 是（图结构） | 必须提供邻接图 | O(N·logN) |
我曾经踩过的坑：在 Visium 数据上直接用 K-means 聚类基因表达量，结果总是把组织边缘的 spot 分配到和中心一样。后来才发现，K-means 对离群点和空间尺度极其敏感。如果你非要用 K-means，至少把空间坐标做 Z-score 标准化再加进去。
2.5 如何评价聚类质量？
无监督学习最头疼的就是：没有 ground truth 标签，怎么知道聚类好不好？这里有几个常用指标：
- 轮廓系数 (Silhouette Score)：综合簇内紧密度和簇间分离度。范围 [-1,1]，越高越好。但注意它对非凸簇表现不佳。
- Davies-Bouldin Index (DBI)：簇内平均距离 / 簇间中心距离。越小越好。容易计算，但只考虑中心点。
- Calinski-Harabasz 指数：簇间方差 / 簇内方差。越大越好。适合球形簇。
- 空间连续性：Visium 特有。看同一簇的 spots 在组织切片上是否形成连贯区域。可以用 邻域一致性分数（比如 spot 的邻居中属于同一簇的比例）。
我个人经验：空间转录组的聚类千万别只靠纯数学指标。你跑出一个高轮廓系数的结果，结果一看图，组织边界完全不对——那就白搭。一定要配合组织学图像或 H&E 染色来验证。
2.6 一个关键洞察：距离选择 × 空间权重
你想想看，Visium 数据天生有双重结构：基因表达相似性 + 空间邻近性。怎么融合？
通常做法有两种：
- 特征拼接：把归一化的表达向量和归一化的空间坐标拼成一个长向量，然后跑常规聚类。简单，但空间权重很难调。
- 图约束：先根据空间坐标构建 Delaunay 三角网或 kNN 邻接图，然后在图上跑谱聚类或 Louvain。这样能天然保证空间连续性。
我的建议：优先尝试第二种。用 Scanpy 或 Squidpy 建图，然后跑 Leiden 聚类。因为它不仅考虑了表达相似性，还通过“图上的模块度”天然整合了空间邻接关系。这也是当前 Visium 社区的主流做法。
2.7 避坑指南（来自现场）
最后，我把这些年踩过的雷总结成几条：
- 不要迷信默认参数：scikit-learn 的 K-means 默认用欧氏距离，但在空间转录组里，维度灾难会让距离失效。先做 PCA 降维再聚类。
- 注意簇数不稳定：很多算法需要预设 K，但生物学上你预先不知道有多少种细胞类型。建议跑多个 K，结合生物学先验或肘部法则选。
- 空间噪声跟技术性 dropout 混合：Visium 每个 spot 可能是多种细胞的混合，小簇太多容易变成“假团”。最好用 HDBSCAN 这种能自动丢弃噪声的算法先过滤。
- 可重复性问题：K-means 和谱聚类受随机初始化影响大，务必设 random_state 并多次重启选最优。
好了，基础概念就讲到这里。下一块内容我们会直接上手跑一个真实 Visium 数据集，从数据加载到聚类结果可视化，一步一步看怎么选参数。