4. Seurat 降维：PCA 原理与参数归纳总结

今天我们来聊聊 PCA 这个老朋友。

说实话，在单细胞分析流程里，降维这一步是承上启下的关键。你在前面找到了高变基因，做了标准化，数据已经准备好了。接下来就是让 PCA 上场，把这些高维数据‘压缩’成几个核心维度。

为什么要这么做？说白了，是为了后续的聚类和可视化铺路。高维空间里找邻居，那是灾难级的计算量，而且噪音多。PCA 能帮你把最核心的变异信号提取出来，去伪存真。

4.1 PCA 到底在做一件什么事？

我刚开始用 Seurat 时，对 PCA 的理解停留在‘它能降维’这个层面。后来我自己跑了一些模拟数据，才真正搞清楚它在干嘛。

想象一下，你有三万多个基因的表达量。每个细胞就是一个三万维空间里的点。PK——这个空间太大了，没法直接看。

PCA 的做法很简单：它在高维空间里找一条线（或者一个方向），让所有细胞投影到这条线上后，投影点的方差尽可能大。第一条这样的线就叫 主成分 1 (PC1)。然后，再找第二条与第一条垂直的方向，方差次大，就是 PC2。以此类推。

所以，PCA 本质上是在做 坐标旋转。它不改变细胞之间的相对关系，只是把坐标系转到了一个更能解释数据变异的方向上。

我的一点心得： PCA 不需要你手动指定多少个主成分。它是按照方差贡献从大到小排好的。你只需要决定要保留前多少个就行了。这个决定，恰恰是调参的关键。

在 Seurat 里，PCA 的过程封装得很好。你只需要一行代码。但理解背后的逻辑，能帮你更好地设置参数。

# Seurat 中运行 PCA 的标准做法
pbmc <- RunPCA(pbmc, features = VariableFeatures(object = pbmc), npcs = 30)

4.2 影响 PCA 结果的关键参数

别看 RunPCA 函数的参数不多，每一个都值得琢磨。我根据项目经验，把最重要的几个参数总结了一下：

参数 默认值 作用 我的经验
npcs 50 计算多少个主成分 我一般先设 30-50，后期再降
features VariableFeatures 用哪些基因跑 PCA 建议只用高变基因，别全上
approx TRUE 是否用随机 SVD 近似 大样本（>10万细胞）建议打开
ndims.print 5 打印前几个主成分的基因 调试时用来观察主成分生物学意义

这里我重点聊聊 features 和 npcs。

4.2.1 关于 npcs

npcs 决定了你要保留的维度。你可能会想，保留越多不是越好吗？

不完全对。保留太多主成分，会把噪音带进来。后续的聚类和 UMAP 会受这些噪音的干扰。保留太少，又会丢失重要的生物学变异。

我记得有一次，同事在处理一个含有罕见亚群的数据集时，一共用了 50 个 PC，结果那个稀有细胞群在聚类时被硬生生地合并了。后来我们只用了 20 个 PC，那个群就清晰了。为什么？因为那个稀有群在后面的主成分里有信号，但前面的主成分被占大头的细胞群‘淹没’了。

4.2.2 关于 features

另一个容易忽略的是 features。你可能觉得，把所有基因都放进去才能不遗漏信息。但实际效果恰恰相反。

全基因跑 PCA，首先计算量会暴涨。其次，那些非高变基因里大多是噪音，会干扰主成分的计算。

你想想看，如果你有两个细胞亚群，它们的差异主要表现在 50 个高变基因上。而另外 20000 个基因的表达基本一致。你把那 20000 个基因放进去，PCA 第一眼看过去，发现大多数基因都没差异，于是它认为这俩细胞没什么区别。这就把关键的信号稀释了。

我曾经踩过的坑： 有次我用全基因跑 PCA，然后查看 PC 负荷基因，发现前几个主成分里全是核糖体基因和线粒体基因。这些都是批次效应或细胞状态的噪音信号。后来我用 VariableFeatures() 筛选后，PCA 的结果才回归到真正的生物学差异上。

4.3 PCA 参数调优的实操建议

下面是我个人的一套标准流程，你可以参考：

  1. 先用默认参数跑一遍，比如 npcs=30。目的不是调优，而是看看数据的基本结构。这一步可以让你快速了解数据质量。
  2. 查看 Elbow Plot。Seurat 的 ElbowPlot(pbmc, ndims = 30) 可以帮你决定保留几个主成分。注意，不要只看曲线上最陡的那个拐点。那个拐点往往只对应 PC1 到 PC3，太少了。
  3. 综合考虑生物学意义。我会结合 DimHeatmap 来查看不同主成分的基因表达模式。如果某个主成分的基因全是细胞周期或应激基因，我可能会考虑回归这些效应。
  4. 对稀有细胞群，加大多主成分。如果你的研究目标是稀有细胞群，建议在 Elbow Plot 之后，往前多取 5-10 个主成分。
  5. 多尝试几个 npcs 值。比如分别试 20、30、40，然后对比聚类结果。选那个在生物学上解释性最好的。

这里提供一个简单实用的代码模式：

# 建议的npcs探索流程
library(Seurat)

# 第一步：原始计算
pbmc <- FindVariableFeatures(pbmc, selection.method = "vst", nfeatures = 2000)
pbmc <- ScaleData(pbmc)
pbmc <- RunPCA(pbmc, features = VariableFeatures(pbmc), npcs = 50)

# 第二步：可视化拐点
ElbowPlot(pbmc, ndims = 50)
# 比如这里看到PC30之后方差变化趋于平稳，我就初定npcs=30

# 第三步：用不同npcs跑聚类，对比结果
pbmc_20pc <- FindNeighbors(pbmc, dims = 1:20) %>% FindClusters(resolution = 0.5)
pbmc_30pc <- FindNeighbors(pbmc, dims = 1:30) %>% FindClusters(resolution = 0.5)
pbmc_40pc <- FindNeighbors(pbmc, dims = 1:40) %>% FindClusters(resolution = 0.5)

# 对比后，我可能选择30，因为它在分离主群和稀有群上表现最好

4.4 PCA 输出结果解读

跑完 PCA 后，Seurat 的 object 里会存储以下关键内容：

数据对象 存放位置 说明
Cell Embeddings pbmc@reductions$pca@cell.embeddings 每个细胞在每个PC上的坐标
Feature Loadings pbmc@reductions$pca@feature.loadings 每个基因对每个PC的权重
Standard Deviation pbmc@reductions$pca@stdev 每个PC的标准差，即该PC解释的方差程度
JackStraw p-value pbmc@reductions$pca@jackstraw@overall.p.values JackStraw重抽样法计算的PC显著性

我个人习惯查看 feature.loadings。通过 top N 的基因，往往能直接看出这个 PC 代表了什么生物学过程，比如是 T 细胞、B 细胞还是应激反应。

4.5 本章知识脉络

为了帮你更直观地掌握 PCA 在单细胞分析中的位置，我画了一张流程示意图：

Seurat PCA 分析核心流程 Seurat PCA 分析核心流程 输入数据 标准化后高变基因矩阵 PCA 计算 SVD 或 随机SVD 输出结果 主成分坐标与负荷 选择主成分数 基于 Elbow Plot / JackStraw 后续分析 聚类 / UMAP / 差异表达 参数优化反馈 调整 npcs / features 核心原则：PCA 不是一次性的，是需要根据数据质量和生物学问题迭代的

这张图清晰地展示了 PCA 在 Seurat 分析流程中的输入、计算、输出，以及后续如何根据输出反馈到参数选择上。你做完这一步，后面的聚类和可视化才有意义。

本章核心要点：
  • PCA 本质是坐标旋转，保留最大方差方向
  • npcs 和 features 是影响结果最重要的两个参数
  • 不要只看 Elbow Plot 的拐点，要结合生物学意义调整主成分数
  • 全基因跑 PCA 不可取，稀释信号，引入噪音
  • PCA 结果不是一成不变的，需要反复迭代优化

嗯，关于 PCA 的理论与参数，就说这么多。这些经验不是书本上能完全给你的，是我在几十个数据集上反复踩坑之后才总结出来的。你把这套逻辑拿走吧。

← 上一章 📖 返回目录 下一章 →