3. PCA原理简介

老规矩，咱们在动手写代码检测批次效应之前，先把背后的数学底子摸一遍。PCA（主成分分析）说白了这个技术，就是用来做“降维”的。我记得刚接触组学数据那会儿，动不动就上万维特征，根本没法直接画图看。PCA 就是那个能把高维数据“压扁”到二维、三维，让我们肉眼能看出结构的工具。

核心思想：PCA 找到数据中“方差最大”的那些方向，然后把数据投影上去。方差大的方向，往往就藏着数据的主要结构——包括我们最头疼的批次效应。

3.1 主成分到底是什么？

你想想看，一堆样本，每个样本有几千个基因的表达值。这就是几千维的空间，不可视化。PCA 会在这团数据里，找出第一个方向，让所有样本投影到这个方向上之后，它们的“分散程度”（方差）最大。这个方向就是第一主成分（PC1）。

接着，PCA 找第二个方向。它必须跟 PC1 垂直（正交），并且在这个前提下让方差最大。这就是 PC2，以此类推。通常前几个 PC 就抓住了数据的大部分变化。

我个人习惯把主成分看作“隐藏的综合指标”。它不直接对应某个基因，而是多个基因的线性组合。举个例子：PC1 的系数可能是

PC1 = 0.3 * GeneA + (-0.1) * GeneB + 0.5 * GeneC + ...

哪个基因的系数绝对值大，就说明它对样本的分离贡献大。这个系数叫做“载荷”（loading）。

3.2 数学上是怎么算的？

其实背后的运算没那么玄乎，说白了就是线性代数里的那套东西。我尽量把关键步骤捋清楚。

  1. 数据中心化：每个基因的表达值减去它自己的均值。这一步是必须的，否则 PC1 会被均值偏移主导。
  2. 计算协方差矩阵：这是一个基因 x 基因的矩阵，对角线是每个基因的方差，非对角线是两个基因的协方差（共变的趋势）。
  3. 特征分解：对协方差矩阵求特征值和特征向量。特征值就是每个主成分的“方差大小”，特征向量就是主成分的方向（载荷）。
  4. 投影：用特征向量矩阵去乘原始数据，得到样本的新坐标（主成分得分）。

对我而言，PCA 最妙的地方就在这里：协方差矩阵把基因间的共变信息都浓缩起来了，特征分解又把最主要的共变模式提取出来。你如果做的是基因表达数据，不同批次的系统偏差一定会体现在某些共变模式里——所以 PCA 能一眼看出来。

概念 数学符号 实战意义
特征值 λ 代表该 PC 解释了总方差的多少。越大越重要。
特征向量 v 主成分的方向，由载荷系数构成。
载荷 loading 每个原始变量对 PC 的贡献度。绝对值越大越关键。
得分 score 样本在 PC 坐标系里的新坐标。用来画散点图。

经验之谈：我建议你在实战中不要只看 PC1 和 PC2。有时候批次效应藏在 PC3 甚至 PC5 里。记得多画几个配对图。

3.3 一个实例，帮你理解计算过程

光说理论太干，我拿一个极简例子走一遍。假设只有 2 个基因（X, Y）、3 个样本。

样本1: X=1, Y=2
样本2: X=2, Y=3
样本3: X=3, Y=4

第一步：中心化
X 均值 = (1+2+3)/3 = 2
Y 均值 = (2+3+4)/3 = 3
中心化后：

样本1: (-1, -1)
样本2: (0, 0)
样本3: (1, 1)

第二步：协方差矩阵
Var(X) = ((-1)^2 + 0^2 + 1^2)/2 = 1
Var(Y) = 1
Cov(X,Y) = ((-1)*(-1) + 0 + 1*1)/2 = 1

[[1, 1],
 [1, 1]]

第三步：特征分解
特征值：λ1=2, λ2=0
特征向量：v1=(0.707, 0.707), v2=(-0.707, 0.707)

看到了吗？λ2=0，说明数据在垂直于 v1 的方向上没有任何变化。所有样本其实都落在一条直线上。这就是 PCA 帮我们抓到的结构。

避坑指南：上面的例子我在课堂上讲过很多次。但真实的组学数据里，变量（基因）远远多于样本数。这时候协方差矩阵会很大（上万维），直接分解算不动。我们实际用的是“奇异值分解”（SVD），原理相通但计算更高效。这个后面实战部分会具体讲到。

3.4 实践中，我踩过哪些坑

PCA 虽然基础，但用好也没那么简单。我把自己摔过的跟头列出来：

  • 没做标准化：如果基因表达量差异太大（比如有的基因低表达均值为1，有的高表达均值为10000），未经标准化的 PCA 会被高表达基因完全主导。你不信可以试试——结果基本就是第一个 PC 等于总表达量。我踩过这么个坑，后来养成了做 Z-score 或 Scale 的习惯。
  • 忽视离群点：单个异常样本可能会把 PC 方向带偏。我建议做 PCA 之前先做个简单的箱线图或距离矩阵，把严重离群的样本标出来。
  • 只看 PC1 和 PC2：我之前处理一组合并单细胞数据时，批次效应偏偏在 PC4 和 PC5 才完全暴露。你想想看，如果只画 PC1 vs PC2，结果完美重叠，就以为自己数据没问题——那可真就误事了。
  • 没有检查载荷：PC 图只能看到样本之间的分离趋势，但分离是由哪些基因驱动的？必须看载荷。如果载荷里全是批次特异的基因（比如只在一个批次中检测到的线粒体基因），那分离就很可能不是生物差异，而是批次效应。

为什么 PCA 能检测批次效应？

这就要回到 PCA 的核心：它找的是数据中方差最大的方向。批次效应通常在样本间引入很大的系统性偏差——比如批次 1 的样本整体表达量偏高，批次 2 偏低。这种偏差在所有基因上都存在，它产生的方差会比真实的生物学差异更大。所以，在 PC1 或 PC2 的散点图里，样本往往会按批次分成两团。这就是我们判断批次效应是否存在的核心依据。

PCA降维与批次效应检测核心逻辑 原始高维数据 （样本 × 基因矩阵） 数据预处理 中心化 / 标准化 SVD / 特征分解 协方差矩阵分解 得到主成分与载荷 主成分得分矩阵 样本在PC空间的新坐标 可视化：PC散点图 按批次颜色标记 判断批次效应存在与否 不同批次样本在PC1/PC2上是否明显分开？ 识别批次分离趋势 检查载荷基因列表 对比多对PC组合 标记需要校正的批次

嗯，这张图把 PCA 检测批次效应的完整路径串起来了。从原始数据开始，经过预处理、分解、可视化，最后落到判断和结论。你写代码的时候也可以按照这个流程一步步来。

总结一下：PCA 不是万能的，但它绝对是你在合并多批次数据时第一个该拿出来的工具。不需要特别复杂的参数，一行

from sklearn.decomposition import PCA
pca = PCA(n_components=5)
scores = pca.fit_transform(data_scaled)

就能看到数据的大致面貌。后续几章我们会在此基础上深入，讲怎么通过 PCA 图定量评估批次效应的严重程度，以及如何结合其他方法验证你的判断。

← 上一章 📖 返回目录 下一章 →