📚 课程目录第2章高维数据可视化简介

高维数据可视化简介：主成分分析（PCA）的基本思想与用途

说实话，刚接触组学数据那会儿，我也有点头大。
动不动几千个基因、上万个探针，你一眼看过去根本不知道这些样本之间到底啥关系。
更烦人的是——批次效应就藏在这些高维数据里，用肉眼根本看不出来。

这时候就需要一个降维工具。PCA就是最常用的那个。
我自己的理解：PCA就是把高维空间里的数据点，投影到一个我们能看得懂的二维或三维平面上来。

先别急着写代码。我们聊聊PCA的本质。
你想想看，一个样本有1000个基因的表达量，就是1000维的点。两张图都画不了。
但这1000个维度的信息重要程度不一样。有的维度方差大，说明样本在这个维度上差异明显；有的维度方差小，信息量其实很低。

PCA做的事情很简单：
找到数据方差最大的几个方向，把这些方向叫做“主成分”。
然后你把原始数据投影到这些主成分上，就完成了降维。

为什么会这样？
因为方差大的方向往往包含了样本之间最核心的差异。批次效应如果存在，它一般会占据前几个主成分。这就给了我们检测它的机会。

核心共识：

PCA本质上是一个线性变换。它不改变样本之间的相对位置关系，只是换了套坐标系。

降维后的坐标被称为主成分得分（PC scores）。

每个主成分能解释的方差比例，由对应的特征值大小决定。

我记得有一回跟合作者解释PCA，他说“你说的数学我头疼”。
那我换个说法 — 想象你有一堆散落在三维空间里的点。你要找一个平面，把这些点投影上去。
哪个平面最好？让投影后所有点的方差最大，也就是点与点之间尽可能分散开。
PCA就是干这个的。它找到的那个最佳平面，就是由前两个主成分张成的。

下图展示了PCA的完整工作流程：从高维原始数据，到计算协方差矩阵，再到提取特征向量，最终降维可视化。

这个图我把PCA分成了三个产出分支，方便你理解它的输出到底有什么用。
我个人习惯用左侧的Scree plot决定选几个主成分；中间的得分图用来做最直观的样本展示；右侧的载荷则帮我们解释——哪些基因造成了样本之间的分离。

细节一：标准化几乎是必须的
如果基因A的表达量范围是0–10000，基因B的范围是0–10，PCA会自动给A更高的权重，因为A的方差大。
这不一定合理。所以一般先做标准化，让每个基因都变成均值为0、方差为1。

我的做法：
用StandardScaler或者scale()函数处理后再跑PCA。除非你很清楚自己不需要标准化（比如用协方差矩阵而非相关系数矩阵）。

细节二：PCA不假设数据分布
我当初学PCA时，一直以为它要求数据服从正态分布。后来才发现不是这样。
PCA只关心方差结构，不关心数据的分布形态。不过它对离群值很敏感——一个极端离群点就足以把前两个主成分带偏方向。

曾经踩过的坑：
有一次我跑完PCA发现第一个主成分几乎跟某个样本单独相关。排查半天，原来是那个样本的处理条件标错了，成了离群点。
所以做PCA之前，一定先检查数据里有没有异常样本。用箱线图或者最简单的Z-score过一遍都可以。

细节三：主成分的生物学解释不是强制的
有时候PC1的意义很清晰，比如“正常vs肿瘤”。
但更多时候，PC1只是样本间最大方差的方向，具体代表什么生物学过程不一定明确。
你不用非得给每个主成分命名。尤其是检测批次效应时，你用颜色标记批次，只要看到样本按批次聚集了，就已经达到检测目的了。

做完标准化、跑完PCA、画出前两个主成分的散点图——这是我在项目中处理所有组学数据都会做的第一步排查。
你可以用不同颜色标注每个样本的批次信息。
如果同批次的样本在图上聚成一团，跟其他批次明显分开，那就说明批次效应已经大到影响了数据的主要变异结构。

好了，理论部分就讲这么多。记住这个核心：
PCA不是万能的，但它在批次效应检测这件事上，是性价比最高的工具。