3、LISI指标简介：局部逆辛普森指数的定义与背景
为什么要用LISI这个指标？说实话，我最早接触批次效应评估时，用的都是全局指标。比如PCA的可视化重叠程度、聚类混洗熵之类的。但后来在一个单细胞RNA-seq数据集成项目里，我踩了个大坑——全局指标看起来不错，局部却一塌糊涂。从那以后，我开始认真研究LISI。
这一节，我就带大家把这个指标吃透。
3.1 从辛普森指数说起
LISI的前身，是生态学里的辛普森指数（Simpson Index）。你想想看，生态学家想知道一个区域里物种多样性高不高，怎么衡量？
辛普森指数的逻辑很简单：
- 随机抓两个个体，它们属于同一物种的概率有多大？
- 概率越低，多样性越高。
数学表达式是这样的：
D = 1 - Σ(pᵢ²)其中pᵢ是第i个物种在样本中的占比。D越接近1，多样性越高。
但实际应用中，大家更常用逆辛普森指数：
1 / D = 1 / Σ(pᵢ²)为啥用逆的？我个人习惯这么理解：逆辛普森指数的值直接告诉你“等效物种数”。比如值是5，就说明多样性相当于有5个均匀分布的物种。更直观。
3.2 LISI的核心思想
生态学看的是地理区域里的物种。我们做单细胞数据，看的则是局部邻域里的“类型混合”。
说白了，LISI把“物种”这个概念替换成了“批次标签”或“细胞类型标签”。然后在每个细胞的局部邻域里，计算逆辛普森指数。
为什么会想到用局部的方式？我在项目中遇到过这样的场景：用全局指标评估，两个数据集看起来融合得很好，但放大到某个细胞亚群，发现全是来自同一个批次。全局指标完全反映不出来。LISI就是来解决这个问题的。
下面这张图，帮你把LISI的概念体系串起来：
3.3 LISI的数学定义
好，现在正式给出LISI的定义。对于一个给定的细胞i，它的LISI值是这样算的：
- 确定局部邻域：用欧氏距离或余弦距离，找到细胞i在嵌入空间中的k个最近邻（包括它自己）。
- 统计标签分布：统计这k个邻居里，每个批次（或细胞类型）出现的频次。
- 计算逆辛普森指数：
LISI(i) = 1 / Σ(pⱼ²)
其中 pⱼ = 第j个批次（或类型）在邻域中的占比
k = 邻域大小（通常取30~100）注意，这里用的是逆辛普森指数，不是原始辛普森指数。原因我刚才说了——逆的值是“等效批次数”，更容易解读。
我个人习惯把k设成50。为什么？因为在一个典型的单细胞数据集中，每个细胞类型大概有几十到几百个细胞，k=50能在局部性和统计稳定性之间取得平衡。你问k=30行不行？也行。但k太小，邻域里细胞太少，统计不稳定；k太大，局部性又丢了。我在项目中试过k=100，结果在稀有细胞类型上表现很差，因为邻域扩得太远，混入了太多其他类型的细胞。
3.4 iLISI与cLISI：两个核心变体
根据标签类型的不同，LISI分成两个变体。你在论文里看到的，基本就是这两个：
| 变体 | 标签类型 | 评估目标 | 值高表示 | 典型应用 |
|---|---|---|---|---|
| iLISI | 批次标签 | 批次混合程度 | 不同批次在局部充分混合 | 评估批次校正效果 |
| cLISI | 细胞类型标签 | 细胞类型分离程度 | 局部邻域内细胞类型纯净（分离好） | 评估生物学信号保留 |
你可能会问：这两个指标不是矛盾的吗？iLISI希望混合，cLISI希望分离。没错，好的批次校正方法，要在这两者之间找到平衡。
我曾经在一个数据集上见过这种情况：校正方法把批次抹得很平，iLISI分数很高，但cLISI掉得厉害——不同细胞类型被揉到一起了。这就是过校正。反过来，校正不足时cLISI很高，iLISI却很低。
核心原则：理想的批次校正，应该让iLISI尽可能高（批次充分混合），同时让cLISI也尽可能高（细胞类型保持分离）。两者同时高，才是真的好。
3.5 LISI值的解读
拿到一个LISI值，怎么解读？我给大家一个参考框架：
- iLISI ≈ 总批次数：完美混合。说明局部邻域里均匀包含了所有批次的细胞。
- iLISI ≈ 1：完全没有混合。局部邻域里只有单一批次的细胞。
- cLISI ≈ 总细胞类型数：完美分离。局部邻域里只有单一细胞类型。
- cLISI 偏低：说明不同细胞类型在局部混在一起，可能是过校正的信号。
嗯，关于LISI的基本概念，就讲到这里。这个指标贯穿整个教程，后面的章节会反复用到它。理解它的定义和背景，是你用好它的第一步。