📚 课程目录第3章图神经网络基础概念

图神经网络基础概念归纳总结

好，咱们正式进入 GNN 的世界。
说实话，很多人一听到“图神经网络”就觉得头大，感觉又是矩阵又是拓扑的。其实你把它拆开看，没有那么复杂。

我个人习惯把 GNN 理解成一种“能搞定不规则数据”的神经网络。咱们平时搞图像、文本，都是规规矩矩的网格或者序列。但生物学数据不一样，比如单细胞、蛋白质互作网络、基因调控网络，这些东西天然就是一团乱麻——节点和节点之间有各种关系，没法用方方正正的矩阵去描述。

所以，图神经网络就是专门为这类“非欧几里得结构”数据设计的。嗯，咱们这次用 GNN 做批次质控，本质上也是在看“样本”这个节点跟“批次”这个节点之间怎么互动的。

你想想看，一张图里最核心的就三样东西：

节点（Node/Vertex）：代表一个实体。比如一个细胞、一个样本、一个基因。
边（Edge）：代表两个节点之间的关系。比如“样本A属于批次B”、“基因C调控基因D”。边可以有方向，也可以没有。
邻接矩阵（Adjacency Matrix）：说白了就是一个方阵，告诉你谁跟谁连着。行和列都对应节点，如果i和j之间有边，A[i][j]就是1，否则是0。

我早期搞单细胞数据时犯过一个低级错误——忘了区分有向边和无向边。后来发现批次图其实都是无向的（样本属于批次、批次包含样本），但基因调控网络就必须用有向图。这俩搞混了，GNN 学出来的东西就完全不对路。

避坑指南：
我曾经帮一个团队排查模型梯度爆炸的问题，查了半天发现他们邻接矩阵没做归一化。GNN 里如果图里度数特别大的节点连着很多节点，信息传递时会直接让特征数值翻倍，导致训练崩溃。所以，记得给你的邻接矩阵做归一化处理。

光有图的结构还不够——你得告诉 GNN 每个节点“长什么样”，这就是节点特征。在批次质控场景中：

节点特征：每个样本的表达谱、质控指标（比如文库复杂度、线粒体比例、双胞率）、批次属性。这些通常是一个固定维度的向量。
边特征：描述两个节点之间关系的属性。比如样本与批次之间的“归属关系强度”、批次之间的“批次效应程度”。有些 GNN 架构（比如 EGNN、GatedGCN）可以直接处理边特征，有些则不行。

我个人的做法：
在做批次相关项目时，我会把批次 ID 做 one-hot 编码拼到节点特征里。这样 GNN 在消息传递时，自然而然地就能区分“这个样本来自哪个批次”。说白了，特征工程在图里照样重要。

GNN 的底层逻辑，说白了就三步：

这个过程通常要重复若干层。每多一层，节点就能看到更远范围的邻居。比如一个 3 层 GCN，节点最终能感知到 3 跳以内的所有信息。

为什么会这样？
因为第一层聚合直接邻居的信息，第二层聚合时，第一层更新后的节点已经包含了直接邻居的信息，第二层再聚合，就间接拿到了邻居的邻居。层数越深，感受野越大。

注意：
我见过有人一上来就堆 10 层 GNN，结果模型不仅跑不动，还过平滑了——所有节点的表征都变得几乎一样。对于批次质控这种小规模图（几十到几百个节点），2 到 3 层绝对够了。层数不是越多越好。

GNN 能做三类任务，分清它们很重要：

咱们这个课程主要是做节点级任务——预测每个样本的批次异常程度。但后续的实操中，你可能需要同时考虑边级和图级特征来做更复杂的质控。

你想想看，传统方法怎么检查批次效应？无非是画个 PCA 看看颜色分布，或者跑个 Harmony、ComBat 校正完再检查。但这些方法要么是事后分析，要么是线性假设太强。

GNN 的思路不一样：它直接把“样本-批次”关系编成一张图。每个样本是一个节点，每个批次也是一个节点（超节点），样本与它所属的批次之间连一条边。

当 GNN 在这张图上跑消息传递时，同一个批次的样本会互相“交流”，不同批次的样本通过批次节点间接沟通。如果模型发现某个批次节点的特征与其他批次有明显差异，这个信息就会通过消息传递扩散到该批次的所有样本节点，最终模型就能精确判断哪些样本受到了批次效应的影响。

说白了，GNN 用图结构把“批次归属关系”这个离散信息，变成了神经网络可训练的连续空间，这才是它好使的根本原因。

核心逻辑总结：
- 图 = 节点 + 边 + 邻接矩阵
- 节点特征 = 样本表达谱 + 质控指标
- GNN 核心 = 消息生成 → 消息传递 → 消息聚合
- 任务类型 = 节点级（主要）、边级、图级
- GNN 优势 = 把离散的批次关系图转化为可训练的特征空间

看到这张图你就明白了——
左半部分是我们构建的批次图结构，中间是加入了样本特征和模型，右半部分就是最终的质控输出。整个流程不是线性的，消息传递会反复在节点之间流通，直到模型收敛。