4、归一化目标：如何对齐批次间的表达水平、避免过度校正、保留真实生物学差异

4.1 归一化到底在解决什么问题

说白了，归一化就干三件事：对齐、别过火、守住生物学信号。你想想看，不同批次的数据放在一起，表达量高低不一，你根本分不清是技术差异还是真的生物学差异。这就是批次效应在捣乱。

归一化的核心目标，我总结成三个词：

• 对齐表达水平——让批次间有可比性
• 避免过度校正——别把真实差异也抹了
• 保留生物学差异——归一化不是目的，找到生物学结论才是

听起来简单吧？但在实际项目中，这三个目标经常打架。你用力过猛，校正是齐了，但分组差异也没了；你用力太轻，批次效应还赖着不走。嗯，这里的关键在于——你得知道你要保什么，以及怎么判断有没有保下来。

4.2 目标一：对齐批次间的表达水平

对齐，就是把不同批次的数据拉到同一个基准线上。比如批次A的中位表达量是3.2，批次B是4.7，得让它们站在同一个起跑线上，才能往下比较差异。

LOESS回归在这里做的事，就是拟合一条平滑曲线，把批次间的系统偏移给抠出来，然后校正掉。我在项目中遇到过一批样本，批次间差异大到PCA图上完全按批次分开，连分组标签都看不到。那时我第一反应就是——先对齐再说。

但注意，对齐不是简单粗暴的减均值。LOESS的优势在于它“局部加权”，能捕捉非线性偏移，不会一刀切。举个简单的参数配置：

# LOESS归一化核心参数示例
span = 0.3        # 局部窗口大小，越大越平滑
degree = 1        # 多项式阶数，通常1或2
iterations = 5    # 鲁棒迭代次数，减少异常值影响

对齐的效果怎么判断？最简单的方法：看PCA图中批次标签是否混在一起了。如果原来按批次分开，归一化后批次标签打散了，那对齐这一步就到位了。

4.3 目标二：避免过度校正

过度校正，是归一化里最容易踩的坑。什么是过度校正？就是你把批次间的差异抹平了，顺带也把真实的生物学差异给干掉了。

我曾经见过一个团队，用了一个很强的校正方法，结果归一化之后，病例组和对照组的表达谱几乎完全重叠。他们一开始还挺高兴，觉得批次效应消失了。但仔细一看——原本两组间差异显著的基因，全部变得不显著了。这就是典型的过度校正。

为什么会这样？因为LOESS回归校正的是“技术变异”，但如果你选择的特征里包含了生物学差异，它也会被当成批次效应给校正掉。说白了，它分不清哪些是技术噪音，哪些是真实信号。

避免过度校正，我个人有两条经验：

1. 归一化时保留分组标签。 不要把所有样本混在一起校正，分组信息应该参与建模，但只影响技术变异部分。LOESS回归中，分组变量可以作为协变量保留。
2. 校正后验证差异基因。 把你已知的生物学标记基因拿出来，看看归一化前后它们的表达差异是否还在。如果没了，那肯定校正过头了。

4.4 目标三：保留真实生物学差异

归一化的底线是什么？就是你关心的生物学差异还在。如果校正完，病例和对照分不开了，那归一化就白做了。

保留生物学差异，听起来像废话，但做起来不容易。因为你得先定义“什么是真实的生物学差异”。是两组间的均值差异？还是某个亚群的比例变化？还是某个通路的激活程度？不同的生物学问题，保留的对象不一样。

我建议在归一化前后，都跑一遍差异分析，重点看你最关心的那几个基因或通路。举个例子：

# 归一化前后对比差异基因数量
import pandas as pd
from scipy.stats import ttest_ind

def count_de_genes(data, group_labels, pval_thresh=0.05):
    results = []
    for gene in data.columns:
        stat, pval = ttest_ind(data[gene][group_labels == 0],
                               data[gene][group_labels == 1])
        results.append(pval)
    return sum(p < pval_thresh for p in results)

n_before = count_de_genes(raw_data, labels)
n_after  = count_de_genes(normalized_data, labels)
print(f"归一化前差异基因数: {n_before}")
print(f"归一化后差异基因数: {n_after}")

如果归一化后差异基因数量断崖式下跌，你需要警惕。当然，有时候确实是因为批次效应引入的假阳性被消除了，差异基因减少是正常的。但如果连你已知的标记基因都变得不显著了，那就出问题了。

4.5 三个目标的权衡与评估

对齐、别过火、保留差异——这三个目标不可能同时达到100%。你永远在做一个三角权衡。我个人习惯用三个维度来评估归一化效果：

你想想看，这三个指标其实是一体的。对齐做得越好，分组分离可能越模糊；保留差异做得越好，批次可能没有完全混合。所以你要根据数据特点，找到那个“甜点”。

下面的图总结了三个核心目标之间的关系，以及如何综合评估：

4.6 实操建议：如何守住三个目标

说了这么多，落实到代码和项目里怎么操作？我给出几条具体建议：

1. 归一化前先画图。 用PCA或UMAP看看批次和分组的分布关系，做到心里有数。
2. 设置合理的LOESS参数。 从span=0.3开始尝试，观察批次混合程度和分组分离度的变化。
3. 保留分组信息参与校正。 在LOESS模型中把分组变量作为协变量传入，避免校正掉真实的组间差异。
4. 校正后做三重验证：
   • PCA验证批次是否混合（但不追求完美）
   • 差异分析验证标记基因是否保留
   • 生物学解释验证结论是否合理
5. 记录每一次的调整。 包括span值、是否使用鲁棒迭代、校正前后指标变化。方便复盘。

归一化的三个目标，说白了就是一个不断平衡的过程。没有一套参数能适配所有数据。你需要用自己的数据和问题去试、去调、去验证。嗯，这其实也是数据分析最核心的乐趣所在——你永远在跟数据对话，找到那个既干净又真实的中间地带。