空间聚类问题定义：挑战与目标

好了，我们进入正题。空间聚类到底在解决什么问题？很多人一上来就调参数、跑算法，结果跑出来一团糊，回头问我：“老师，为什么我的聚类结果跟组织学切片对不上？”我通常反问一句：“你先说清楚，你要聚什么？”

说白了，空间聚类不是在普通单细胞数据上硬套一个聚类方法。它需要同时处理基因表达、空间坐标和组织学特征——三套信息拧在一起。你想想看，这比纯转录组聚类至少多了一个维度：空间自相关。

我自己的经验是，项目初期花30分钟想清楚“定义”，能省后期3天调参时间。所以这一节，我们先把问题摆到台面上，把挑战和目标理清楚。

挑战一：数据稀疏性与高维度冲突

Visium 每个 spot 捕获的基因数通常在几百到两千左右，比 10x scRNA-seq 的细胞深度低了一个数量级。稀疏矩阵里大量0值，但聚类算法天然讨厌稀疏——距离测不准，密度估不准。再加上人眼观察组织切片时，我们看到的其实是连续的“染色信号”，而非离散的0/1。这个矛盾怎么调和？

挑战二：空间自相关与聚类偏好

空间数据有个铁律：距离越近的 spot，转录组相似度越高（Tobler 第一地理定律）。但大部分传统聚类方法（K-means、层次聚类）默认所有样本独立同分布。直接套用，聚类边界要么被空间连续性拉得太散，要么在组织过渡区产生假边界。

我建议你在选算法前，先算一下全局 Moran's I 或 Geary's C，摸清空间自相关的强度。如果 Moran's I > 0.3，那空间权重必须进模型；如果接近0，可以多依赖表达相似性。

挑战三：多模态信息整合的尺度差异

Visium 数据集包含三层模态：

• 转录组：高维、稀疏、连续数值
• 空间坐标：二维连续数值，有组织学拓扑
• 组织学图像：（通常）RGB 像素，离散纹理、细胞核形态

这三者尺度完全不同——转录组是数千维，坐标只有两维，图像是数百万像素。直接拼接特征会尺度崩塌。我见过有人把 spot 的 PCA 得分、xy 坐标和灰度值直接喂进 K-means，结果聚类完全被坐标主导，因为坐标数值范围大（几百微米），PCA得分才±10。所以你选算法时，要关注它是否有“模态对齐”或“权重调节”机制。

模态	数据维度	典型范围	关键挑战
转录组	~2000 基因/spot	0~数百 UMI	稀疏、高维噪声
空间坐标	2维	0~10000 像素	低维、强连续
组织学图像	像素级 RGB	0~255 灰度	高分辨率、特征抽象难

我们的核心目标

把问题倒过来，我们到底要什么？我归纳成三条：

1. 空间域正确识别：聚类结果必须与真实组织学结构（如皮层分层、肿瘤边界、腺体区域）在生物学上一致，不能出现脱离解剖结构的虚假团块。
2. 边界锐度与内部平滑的平衡：同一组织区域内部连续，不同区域交界处要有清晰分割。这其实是个变分问题——我在项目中常用“MST 距离”来量化边界质量。
3. 方法可复现与可解释：选算法时，参数数量要可控，不能调20个超参数还不知所以然。而且聚类结果最好能用空间热图或分区图直接可视化，让生信或病理同事一眼看懂。

从问题定义到算法选择

有了以上定义，我们就可以画一张清单了：你要做的决策节点至少有5个——数据预处理（归一化、降维）、空间权重构建（网格图还是 KNN 图）、聚类算法选择（统计模型驱动还是图神经网络）、后处理（边界修整）、以及评估。我建议你把这张图贴在工位前——每次开始新项目，先对着它走一遍。

这张图我希望你每次跑分析前先默念一遍。因为后面章节里所有算法，都会在这个框架里对号入座。你选算法时，先问自己三个问题：

• 我的数据空间自相关强不强？ —— 决定是否需要显式空间模型。
• 我有组织学图像吗？ —— 决定是否启用多模态融合。
• 我需要边界多锐利？ —— 决定是否用隐马尔可夫场或 VAE 类方法。

嗯，把问题定义清了，后面讲具体算法你就知道该在什么时候用什么了。记住：没有万能的算法，只有适配的工具。这一节的结论就是——