4、LISI的数学原理：熵、辛普森指数与局部邻域
说实话，我最初接触LISI时，第一反应是——“这玩意儿背后到底是怎么算的？”
很多人只把它当成一个黑盒指标，跑完代码看一眼数字就完事。但我觉得，搞数据的人得懂一点数学底子，否则你根本不知道阈值设多少合理，也不知道结果到底在说啥。
今天咱们就把LISI的数学骨架拆开。说白了，就是三个东西：熵、辛普森指数、局部邻域。我把它们串起来，你看看是不是很简单。
4.1 先从熵说起
熵这个概念，最早来自热力学。但香农把它借到信息论里，用来衡量“混乱程度”。
公式长这样：
H = - Σ p_i * log(p_i)其中 p_i 是第 i 类出现的概率。如果所有样本全是一类，p_i=1，H=0，非常纯。如果均匀分布在很多类里，H就大，说明混乱。
举个例子：
- 纯批次A：p_A=1，H=0
- 均匀混合批次A和B：p_A=0.5，p_B=0.5，H=0.693
- 10个批次均匀混合：H=2.302
你看，H越大，混合程度越高。LISI利用的就是这个性质。
核心点：LISI把熵当作“混合度”的量化工具。一个邻域内批次越混杂，熵越高，说明批次效应越小。
4.2 辛普森指数——生态学家的智慧
辛普森指数本来用来衡量物种多样性。公式是：
λ = Σ p_i²如果只有一种物种，λ=1。如果种数很多且均匀，λ趋近于0。
嗯，这个指标跟熵有点像，但方向相反。熵越大越混杂，辛普森指数越小越混杂。
LISI用的是逆辛普森指数（1/λ），这样数值越大代表混合越好。我习惯叫它“有效批次数目”——可以理解为：在一个邻域里，你大概能数出多少个批次的“有效数量”。
| 概念 | 公式 | 范围 | LISI中的含义 |
|---|---|---|---|
| 香农熵 | H = -Σ p_i log(p_i) | [0, log(N)] | 批次混合度，越高越混杂 |
| 辛普森指数 | λ = Σ p_i² | [1/N, 1] | 批次单一性，越高越纯 |
| 逆辛普森指数 | 1/λ = 1/Σ p_i² | [1, N] | 有效批次数目，LISI值的来源 |
个人经验：我早期用LISI时，直接拿原始辛普森指数画图，结果数值全堆在0.2-0.8之间，根本看不出差异。后来改用逆辛普森，才把批次混合度展开到1到N的尺度上。这个转换非常实用。
4.3 局部邻域——LISI的核心思想
现在你知道了指数是什么。但怎么应用到单细胞数据上？
LISI的做法是：对每个细胞，找出它在降维空间（比如UMAP、PCA）里的局部邻域——说白了，就是离它最近的K个邻居。
然后在这个邻域内，统计各批次的占比。再把这个占比代入逆辛普森指数，算出这个细胞的“局部有效批次数目”。
这样每个细胞都有一个LISI值：
- iLISI（批次混合版）：按批次标签计算比例，衡量批次混合程度。值越大，说明这个细胞周围批次混合得越好。
- cLISI（细胞类型版）：按细胞类型计算比例，衡量细胞类型保留程度。值越小，说明这个细胞周围都是同一类，即生物结构保留得好。
避坑指南：我曾经犯过一个典型错误——忘了对每个细胞单独算邻域。我以为可以直接在全局算个辛普森指数完事。结果发现全局混合度很高，但局部其实都是同批次扎堆。LISI的精髓恰恰在于局部，别把它当全局指标用。
4.4 从局部到全局：LISI公式
把上面的东西合到一块，公式就出来了：
对于细胞i：
1. 找到它的K个最近邻（在嵌入空间中）
2. 统计邻域中各批次的比例 p_{i1}, p_{i2}, ..., p_{iM}
3. 计算逆辛普森指数：
LISI_i = 1 / Σ p_{ij}²
4. 对所有细胞的LISI_i求中位数 → 整体LISI得分整体LISI得分就是所有细胞局部指标的中位数。我个人比较偏爱用中位数而不是均值，因为它对离群点不敏感。有时候批次效应只在少数细胞上特别严重，中位数能反映“大多数细胞的情况”。
下面这个图把流程走一遍，你一看就明白：
关键理解：LISI的数学本质就是“在每个细胞周围，看看批次有多混杂”。它不关心全局均一性，只关心局部邻居的组成。这正是它比全局指标更灵敏的原因。
你想想看，如果两个批次在全局上均匀分布，但每个细胞周围全是同批次——那全局指标会告诉你“没问题”，但LISI会给出低分，因为它看的是“你身边都是谁”。我做过实验，用全局熵算出来0.99，LISI只有1.2，数据根本没法用。LISI直接把真相拍在你脸上。
所以，记住这个数学链条：局部邻域 → 统计比例 → 逆辛普森指数 → 中位数聚合。以后调参或者解释结果，你心里就有底了。