4. 数据预处理：标准化、中心化、对数变换对可视化结果的影响

做批次效应可视化之前，有个绕不开的步骤——数据预处理。这一步做不好，后面PCoA和UMAP画出来的图，很可能只是「漂亮的垃圾」。

我刚开始做生物信息分析那会儿，接过一份别人的数据，直接跑PCoA。结果出来，样本按批次完美分开，我当时还以为是模型结果好。后来才发现，那个分开是因为不同批次测序深度不一样，跟生物学差异没半毛钱关系。嗯，从那以后，我再也不敢跳过预处理步骤了。

本章核心问题：标准化、中心化、对数变换，到底在做什么？它们对PCoA和UMAP的可视化结果，分别有什么影响？

4.1 为什么要预处理？批次效应的根源在数据尺度差异

原始测序数据，说白了就是一堆计数矩阵。不同样本的总读数可能差几倍甚至几十倍。你想想看，如果把这种尺度差异直接扔进距离计算，高表达量的样本天然就会聚在一起，跟生物学分组没关系。

批次效应的本质，恰恰是这种非生物的技术差异。所以预处理的目的很明确：把技术噪声压下去，让真正的生物学信号浮上来。

数据问题技术来源对可视化影响
测序深度差异不同批次、不同文库样本按测序量分层，掩盖真实分组
基因表达量跨度大高表达vs低表达基因差几个数量级距离矩阵被高表达基因主导
方差不均匀RNA-seq计数数据本身有均值-方差关系PCoA/UMAP对异常值敏感

4.2 三种常见预处理方法：到底怎么选？

4.2.1 对数变换（Log Transformation）

这是最常用的一步。为什么？因为测序计数数据是典型的「过离散」分布——方差随均值一起涨。不压一下，高表达基因会把距离矩阵带偏。

我常用的公式是 log2(x + 1) 或者 log10(x + 1)。加 1 是为了避免 log(0) 报错。

import numpy as np

# 假设 expression_matrix 是 基因×样本 的计数矩阵
# 对数变换（log2）
log_expr = np.log2(expression_matrix + 1)

# 不加 1 会怎样？遇到 0 就直接报错，或者产生 -inf
# 这是新手最容易踩的坑
什么时候用 log 变换？处理 RNA-seq、scRNA-seq 这类计数数据时，我几乎必做。但如果是芯片数据（已经是对数信号），就不用重复做了。

对比效果：没做 log 变换之前，PCoA 的第一主成分往往对应总表达量；做了之后，PCoA 才能把生物学差异放到前面。我在项目中遇到过几次，不做 log 变换直接跑 UMAP，结果就是一团乱麻，怎么看都没有分组。

4.2.2 中心化（Centering / Mean Centering）

中心化就是把每个基因的表达量减去它的均值，让表达谱的中心落在零点。这一步对 PCA/PCoA 的影响非常大——因为 PCA 本身就是在找最大方差方向，而中心化能确保方差是从协方差结构来的，而不是从均值水平来的。

# 中心化
centered_expr = log_expr - log_expr.mean(axis=0)  # 按样本中心化
# 或者按基因中心化
centered_expr_gene = log_expr - log_expr.mean(axis=1, keepdims=True)

我个人的习惯是：先做 log 变换，再做中心化。这样既能压制方差，又能对齐数据维度。为什么要按基因中心化？因为不同基因的基线表达量差异太大，不中心化的话，高表达基因在距离计算中权重过高。

注意：中心化不会改变样本间的相对距离，但会改变 PC 的载荷方向。如果只是做 UMAP 这种基于邻居的降维，中心化的影响比 PCA/PCoA 小很多。不过，为了统一流程，我还是建议做一下。

4.2.3 标准化（Scaling / Z-score）

标准化的定义是：(原始值 - 均值) / 标准差。做完之后，每个基因的表达谱变成均值为 0、方差为 1 的标准正态分布。

from scipy.stats import zscore

# Z-score 标准化
scaled_expr = zscore(log_expr, axis=1)  # 按基因标准化

# 注意：zscore 默认 axis=0（按列），这里我们按基因走，所以传 axis=1

标准化最极端的地方在于：它会强制每个基因的方差完全一致。这意味着「所有基因在距离计算中权重相同」。这听起来很公平，但有个副作用——噪声基因（低表达、高变异）会跟高信号基因平起平坐。我一般在做无监督聚类或者 UMAP 之前，会先过滤掉低表达基因，再标准化，不然噪声会被放大。

4.3 这几种方法对可视化到底有什么影响？

我拿一个真实的批量效应模拟数据来说说。假设我们有三个生物学分组，但混了两个批次的测序数据。不同预处理下，PCoA 的差异非常大。

预处理组合PCoA 上的批次效应形态UMAP 上的样本结构
不做任何预处理样本按总表达量分层，批次效应被放大UMAP 可能只有一两个点稠密簇，完全看不出分组
仅 log 变换第一批方差被压制，但均值差异仍在分组开始出现，但批次内样本仍明显分开
log + 中心化样本集中到原点周围，批次效应明显减轻分组清晰，批次之间开始重叠
log + 中心化 + 标准化样本更加均匀分布，所有基因等权分组判别能力可能提升，但噪声基因会「稀释」信号

为什么会这样？说白了就是：log 变换主要解决方差问题，中心化解决偏移问题，标准化解决权重问题。三者联用，能把技术差异压缩到最小，让生物学差异站出来。

4.4 我的实战流程与避坑指南

我现在做一个批次效应可视化的标准流程是：

  1. 过滤低表达基因：比如在至少 10% 的样本中表达量 > 0 的基因才保留。这个没标准答案，我一般看数据的稀疏程度。
  2. log 变换：log2(x+1)，必须加 1。
  3. 中心化：按基因减去均值，让所有基因的表达谱对齐到零点。
  4. 可选标准化：如果做 PCA/PCoA 做批次校正（如 ComBat），我不做标准化；如果直接扔给 UMAP 做下游可视化，我会标准化，同时加大过滤力度。
核心经验：预处理要做，但不要做过头。标准化不是万能的，它可能会让原本清晰的分布变得模糊。我在一个宏基因组的 16S 数据中做过对比——标准化之后，原本在 PCoA 上明显分开的两个生态型，反而混在了一起。后来发现，标准化让丰度低的 OTU 跟高丰度 OTU 等权，把关键差异稀释了。

4.5 知识体系：预处理与可视化路径总图

下面这张图总结了从原始数据到 PCoA/UMAP 可视化的完整预处理路径，以及每个环节对结果的直接影响。

数据预处理与可视化路径图 数据预处理与可视化核心路径 原始计数矩阵 过滤低表达基因 / 低丰度特征 log 变换 压制方差，拉平表达量尺度 中心化 去除基线偏移，对齐数据维度 标准化 (Z-score) 等权所有基因，放大噪声需谨慎 联合预处理后的表达矩阵 PCoA (基于距离矩阵) 受中心化、标准化影响大 UMAP (基于邻居结构) 受 log 变换、过滤影响更大 预处理对两种可视化方法的影响权重不同：PCoA 更依赖数据分布假设，UMAP 更依赖局部密度结构。
图中很重要的一点：PCoA 和 UMAP 对预处理的敏感度不同。PCoA 基于欧氏距离或 Bray-Curtis 距离，中心化和标准化的影响非常直接；而 UMAP 虽然也受距离影响，但它的「邻居结构」对尺度变化有一定鲁棒性。我见过一个极端例子——不标准化，PCoA 一塌糊涂，但 UMAP 还能看出分组趋势。

4.6 总结三个关键点

  1. 先过滤，再变换：不先去掉低表达基因，log 变换后噪声会被放大。我自己至少过滤掉在 5%～10% 样本中不表达的基因。
  2. 中心化是 PCoA 的好朋友：如果不做中心化，PCoA 第一主成分往往只反映均值差异。中心化之后，生物学结构才会出现在前几个轴上。
  3. 标准化要慎重：不要无脑 Z-score。如果数据稀疏、基因数多，标准化很可能让 UMAP 结果更分散——看起来「漂亮」，但实际分错了。记得对标标准化前后的聚类效果。
我最惨的一次教训：做了一个 scRNA-seq 的整合分析，跳过过滤直接标准化，然后跑 UMAP 可视化。结果每个细胞亚群都被「拉伸」得很开，我兴奋地以为是发现了新亚型。后来一查，那些分叉全是噪声基因贡献的。自那以后，我就把这一步写死在流程脚本里了。

好了，关于预处理的三种方法和对可视化路径的影响，就聊到这里。下一步，我们会把这些预处理后的数据，真正放进 PCoA 和 UMAP 里，看看效果如何。不过那就是另一章的事了。

← 上一章 📖 返回目录 下一章 →