📚 课程目录第4章 SPOTlight算法原理

4. SPOTlight 算法原理：非负最小二乘与主题建模

这一章我们来啃 SPOTlight 最核心的部分——它是怎么把空间位置信息和单细胞数据“拼”在一起的。坦白讲，我刚接触这个算法时也绕了好一阵，但搞清楚 NNLS 和主题建模后，后面的内容就顺畅多了。

4.1 核心思想：从混合信号到空间解卷积

空间转录组测出来的每个 spot，其实是一个“大杂烩”。它包含好几种细胞的 RNA 混合物。我们的目标很明确：从这堆混合信号里，反向推算出每种细胞各占多少。

这像什么？就像给你一杯混合果汁，你要尝出里面橙汁、苹果汁、西瓜汁各加了多少毫升。只不过 SPOTlight 尝的是转录组数据，用的是数学方法。

整个流程可以拆成两步：

先学“配方”——从单细胞参考数据里学出每种细胞类型的表达特征
再算“比例”——对每个 spot，用学到的特征去解卷积，算出细胞组成

我个人习惯把第一步叫“训练”，第二步叫“预测”。嗯，这里要注意，两个步骤用的是同一套数学框架——非负最小二乘。

4.2 非负最小二乘（NNLS）：为什么它比普通回归更合适？

普通的最小二乘回归大家都很熟：给一堆自变量，求因变量，允许系数为正或为负。但问题来了——细胞比例怎么可能是负的？

关键约束：细胞比例必须是 [0, 1] 之间的非负数，而且总和必须为 1（或近似 1）。NNLS 正好满足这个需求，它强制所有系数 ≥ 0。

NNLS 的数学表达式其实很简洁：

目标：最小化 ||Ax - b||²
约束：x ≥ 0

其中：
A —— 参考矩阵（基因 × 细胞类型）
x —— 系数向量（待求解的细胞比例）
b —— 目标向量（某个 spot 的表达谱）

我第一次用 NNLS 做空间映射时，差点踩坑——忘了对参考矩阵做“标记基因筛选”。如果你直接把所有基因扔进去，运算慢不说，细胞类型之间的区分度也不够。后来我养成了一个习惯：先用 wilcoxon 或 t-test 选出 top 50-100 个标记基因，再构建参考矩阵 A。

我的经验：NNLS 对参考矩阵的“质量”很敏感。细胞类型之间的基因表达模式不要有太高相关性，否则系数估计会抖动。我一般会跑个相关性热图检查一下。

4.3 主题建模：让参考矩阵更“聪明”

如果你直接拿纯的细胞类型表达谱去做 NNLS，会有一个问题：同一个细胞类型在不同样本、不同状态下，表达谱其实在漂移。主题建模就是来解决这个问题的。

说白了，主题建模是一种降维+软聚类的方法。它把“同一个细胞类型”的表达谱，分解成几个“主题”（topics）。每个主题是一组共表达的基因模块。这样，参考矩阵就不是简单的细胞类型×基因，而是主题×基因。

为什么这样做更鲁棒？

主题能捕捉细胞状态的连续性（比如从 resting 到 activated 的过渡）
主题之间共享基因，但不完全重叠，提高了表达的冗余度
空间 spot 里的混合信号，可以用几个主题的线性组合来拟合，比用纯细胞类型更精准

我记得有人问过我：“这不就是换个方式做非负矩阵分解（NMF）吗？” 对，主题建模的数学本质和 NMF 是一样的。只是它在单细胞领域被重新包装了一下，强调“主题”代表基因的共表达模块。

4.4 SPOTlight 的完整工作流

把 NNLS 和主题建模串起来，就是 SPOTlight 的完整流程。我画个图方便理解：

流程图展示得很清楚：从单细胞数据出发，经过主题建模生成参考矩阵 A，然后结合空间数据的每个 spot 表达谱 b，用 NNLS 求解细胞比例 x。最后再把主题的权重映射回原始的细胞类型名称。

4.5 关键细节：主题数量怎么选？

这里有个现实问题：每个细胞类型应该分多少个主题？

SPOTlight 的默认做法是为每个细胞类型设置 k 个主题（k 一般在 3-10 之间）。但我在项目中发现，这个参数对结果挺敏感。

避坑指南：我曾经在一个脑组织的映射任务中，k 设为 5 时神经元比例估计偏高，换成 3 就正常了。后来我总结了一个经验——先用 silhouette 分数评估主题分离度，再选 k。如果 silhouette > 0.5，说明主题是合理的。

实际代码里是这样调的：

# R 伪代码，SPOTlight 中的主题建模参数
library(SPOTlight)

# 为每个细胞类型设置主题数
# 神经元：5个主题，少突胶质细胞：3个主题
ct_topic <- c("Neuron" = 5, "Oligo" = 3, "Astro" = 4)

# 构建参考矩阵
spotlight_ls <- spotlight(
  reference = sce_reference,      # 单细胞参考
  clusters = "cell_type",         # 标签列名
  group = ct_topic,              # 每个类型的主题数
  verbose = TRUE
)

这一行就完成了主题建模+参考矩阵构建。输出结果是一个 spotlight 对象，里面包含了主题×基因的参考矩阵 A、以及每个细胞类型映射到主题的权重。

4.6 NNLS 在 SPOTlight 中的实现细节

NNLS 的求解器在 R 里有现成的包 nnls 和 quadprog。SPOTlight 用的是 R 自带 nnls 包的实现，做了两件事：

步骤	操作	目的
1	对每个 spot，取参考矩阵 A 中与 spot 共有的基因	对齐特征空间
2	调用 nnls(A, b)，求解非负系数 x	得到主题权重
3	将主题权重按细胞类型汇总	映射回细胞比例
4	归一化，使比例之和为 1	获得概率解释

这里有个微妙之处：NNLS 是不保证系数之和为 1 的，它只保证非负。所以 SPOTlight 在最后一步做了 softmax 或简单的除以总和，把系数转为比例。

    重要检查点：如果你发现某个 spot 的细胞比例总和远小于 1（比如只有 0.3），说明参考矩阵 A 没有很好地解释这个 spot 的表达谱。这时候要考虑：是不是少了某个细胞类型？还是这个 spot 处于组织的边缘、RNA 捕获效率低？

我在肠道数据分析时就遇到过这种情况——隐含了“未知细胞类型”。后来我在参考数据里多加了成纤维细胞，拟合度才上去。所以，参考数据的覆盖度直接影响映射质量。

4.7 主题建模 vs. 纯 NNLS：哪个更靠谱？

你可能想问：为什么不直接用纯细胞类型表达谱做 NNLS？偏要加一层主题建模？

我拿自己的项目经验说：

纯 NNLS：在细胞类型区分度高的时候（比如神经元 vs. 胶质细胞），效果还行。但如果细胞类型间有连续状态（比如 T 细胞的不同激活阶段），它容易把同一种细胞的不同状态割裂开。
主题建模 + NNLS：主题建模先做了“软聚类”，把相似的细胞状态 merge 成主题。NNLS 求解的是主题比例，而不是直接解细胞类型。最后一步才把主题映射回细胞类型。这个“缓冲层”让结果更平滑。

说白了，主题建模就像给细胞类型加了一层“容错垫”。它在状态连续的情况下更有优势。

4.8 运行时的注意事项

最后，我整理几个实战中遇到的坑：

基因数量不能太少：我试过只用 top 10 标记基因，NNLS 求解不稳定，各个 spot 的系数震荡很大。建议至少 30-50 个基因。
避免高度相关的细胞类型：比如 B 细胞和 plasma 细胞，基因表达谱高度相似。NNLS 会在这两个类型之间分配权重不稳定。我一般会先合并，映射完再拆分。
内存问题：如果参考数据有 50 万细胞、3 万基因，跑主题建模会非常吃内存。我通常先做 downsampling，每个细胞类型取 200-500 个细胞，够用就行。

注意：NNLS 不适用于零膨胀数据。如果你的空间转录组数据有很多 dropout（某些基因在很多 spot 完全检测不到），建议先做 imputation 或直接在原始 count 上跑，不要用 log-normalized 数据。我踩过这个坑——归一化后的零值会误导 NNLS 把系数推成 0。

嗯，关于 NNLS 和主题建模的原理，就讲到这里。你把这一章消化掉，后面的“自定义参考矩阵”和“结果评估”就很好理解。说白了，SPOTlight 的核心就是一个带约束的优化问题，而主题建模是为它提供高质量参考矩阵的前处理步骤。