4. 缺失值处理对CV的影响：不同填补方法的CV分布变化

好，咱们这一章聊聊比较头疼的问题——缺失值处理。

我做蛋白质组学这么多年，一个深切的感受是：缺失值不是废物，处理好了它就是信息，处理不好它就是噪声。 我以前有个项目，用KNN填补后CV直接从20%飙到45%，老板看了一眼直接让我重新做。嗯，从那以后，我每次跑填补之前都会先看看数据长什么样。

这一章，我们就来看看不同填补方法对CV分布的影响。

4.1 缺失值的“身世”

在蛋白质组学数据里，缺失值主要分三种：

• 随机缺失（MAR）：丢了就丢了，和蛋白本身无关。比如质谱偶尔没打准。
• 非随机缺失（MNAR）：蛋白量太低，仪器根本打不出来。最常见的类型。
• 完全随机缺失（MCAR）：纯随机事件。说实话，这种我基本没在真实数据中见过。

缺失值的“出身”不同，合适的填补方法也不一样。咱们先看常用的填补方法：

4.2 主流填补方法一览

我整理了四种最常见的填补方法，咱们逐个看。

方法	原理	适用场景	高风险点
0值替换	所有缺失值直接填0	确认为无表达的蛋白	严重拉低平均值，CV飙升
最小值填充	填入蛋白在该组的最小值	低丰度蛋白检测限截断	压缩动态范围，低估真实CV
KNN填补	基于邻近样本的加权平均	随机缺失为主的数据集	易引入批次假相关性
Perseus单变量填补	从标准正态分布随机采样填入	强MNAR场景	噪声过大，CV失真

你想想看，这些方法各有脾气。别指望一种方法通吃所有场景。

4.3 不同填补方法下的CV分布变化

我把真实项目中的实验数据整理了一下。展示的是同一批小鼠肝组织样本，分别用四种方法填补后的CV分布情况。

4.3.1 0值替换——最暴力的做法

直接用0替代缺失值。结果呢？

• 原来CV < 20%的蛋白比例，从45%骤降到12%
• 许多蛋白的CV变成了无穷大（分母被拉成了0）
• 不可用蛋白比例大幅增加

我记得有一次， 一个合作者直接用0填了60%的缺失值。最后下游差异分析，一个显著蛋白都没找到。数据全被淹没了。

4.3.2 最小值填充——保守路线

用该蛋白在组内的最小观测值替换。看似温和，实则暗藏陷阱：

• CV被系统性压缩。原来真实波动被一致性替换手段抹平了
• 组间差异会被压制。本质上是在引入假阴性
• 对于低丰度蛋白组，CV下降尤为明显

为什么会这样？ 因为你把所有缺失值都拉到了同一个低水平。本来样本间有真实的波动，结果全被“平均”了。

4.3.3 KNN填补——看起来很美

KNN（K近邻填补）是我早期最喜欢用的方法。直到有一次阴沟翻船。

那是我做过的一个时间序列数据。用KNN填补后，CV反而变大了。我查了三天才发现原因——KNN借用了其他时间点的信息来填补当前缺失。这其实是引入了一些“超前信息”，做时间序列的人管这叫“数据泄露”。

KNN填补后的CV分布特点：

• 中位数CV变化不大，但极端值（离群蛋白）增加了
• 填补值受邻近样本影响，容易把批次特异性信息带进来
• 更适合随机缺失，不适合系统性的低丰度缺失

4.3.4 Perseus单变量填补——质谱人的老朋友

这种方法就是假设缺失值来自一个比真实分布略低的截断正态分布。我用的是1.8个标准差下移 + 0.3宽度的高斯噪声。

• CV分布整体向右偏移。因为添加了随机噪声，变异必然增加
• 但对于高缺失率的蛋白，这种填补比0值要好得多
• 低丰度蛋白的CV会明显上升

4.4 核心知识图谱

下面这张图解释了不同填补方法影响CV分布的内在逻辑。

4.5 实战建议：不同场景的填补策略

说到这里，你可能想问，那我到底该怎么选？我根据经验，给你一个操作清单：

1. 先评估缺失模式：查看缺失值在各个样本中的分布是否一致。如果某些样本缺失特别多，先检查质控问题。
2. 低缺失率（< 5%）：KNN填补足够，后续对CV影响可忽略。
3. 中等缺失率（5% - 20%）：建议用Perseus单变量填补。虽然CV会涨一点，但总体可控。
4. 高缺失率（20% - 40%）：优先考虑去除该蛋白。如果非补不可，用最小值填充，但要做好CV被压缩的心理准备。
5. 极高缺失率（> 40%）：别补了，丢掉吧。补出来的数据根本不可信。

4.6 检验填补效果的“笨办法”

我教你们一个简单但有效的方法。
填补完成后，随机挑20个之前没有缺失的蛋白，比较填补前后的CV变化。
如果这20个对照蛋白的CV变化超过10%，说明你的填补方法选错了——它在全局修改数据，而不是仅修补缺失值。

# 检验代码示意（R语言风格）
control_proteins <- rownames(data[!is.na(data$protein), ])
cv_before <- apply(data[control_proteins, ], 1, cv_function)
cv_after  <- apply(filled_data[control_proteins, ], 1, cv_function)
delta_cv  <- cv_after - cv_before
if(median(abs(delta_cv)) > 0.1) {
  message("警告：对照蛋白CV变化过大，请检查填补方法！")
}

这个方法我在多个项目中用过，非常可靠。填补好不好，它说了算。