2 批次效应可视化：PCA、t-SNE、UMAP 展示批次效应的方法

做批次效应校正，第一步不是调参数，而是看数据。

我见过太多人拿到数据就直接上校正算法，结果越调越乱。其实，在你动任何校正之前，先拿可视化“拍个片子”，往往能省下大把时间。说白了，可视化就是批次效应的“X光”。

这一讲，我带你走一遍 PCA、t-SNE 和 UMAP —— 这三样工具，基本能覆盖 90% 的批次观察需求。

为什么非得可视化？

你想想看，一个表达矩阵，几千行、几百列，光看数字谁能看出批次？只有把高维数据压到 2D 或 3D，再按批次（或实验日期、测序 lane、操作员）着色，才能一眼看出样本是不是“抱团”了。

  • 分离明显：不同批次的点各自成簇，说明批次效应很强，必须校正。
  • 完全混合：批次之间点混在一起、没有结构，那恭喜你，或者批次效应弱，或者校正已经到位。
  • 部分重叠：最麻烦的情况，有些批次局部偏差，可能还和生物学变量纠缠在一起。
经验：我习惯在正式分析前先用 PCA 扫一遍，如果 PCA 图上前两个主成分就能分出明显批次，那心里就有底了。后面的校正方向全靠这张图来定。

PCA：最直观的线性降维

PCA（主成分分析）是线性方法，计算快，解释性强。它找到方差最大的方向，把数据投影过去。

展示批次效应的核心思路：把样本按前两个主成分（PC1, PC2）画散点图，再用颜色区分批次。

代码示例

import pandas as pd
import numpy as np
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
import matplotlib.pyplot as plt

# 假设 data 是基因表达矩阵，行为样本，列为基因
# batch_labels 是批次标签列表
scaler = StandardScaler()
data_scaled = scaler.fit_transform(data)

pca = PCA(n_components=2)
pca_result = pca.fit_transform(data_scaled)

plt.figure(figsize=(8,6))
for batch in np.unique(batch_labels):
    idx = batch_labels == batch
    plt.scatter(pca_result[idx,0], pca_result[idx,1],
                label=f'Batch {batch}', alpha=0.7)
plt.xlabel(f'PC1 ({pca.explained_variance_ratio_[0]:.1%})')
plt.ylabel(f'PC2 ({pca.explained_variance_ratio_[1]:.1%})')
plt.legend()
plt.title('PCA colored by batch')
plt.show()

注意：刚拿到 RNA-seq 或 scRNA-seq 表达量时，一定要先做标准化（logCPM、TPM、或标准化 z-score），否则高表达基因会把主成分带偏。PCA 对量级很敏感，不标准化等于白做。

另外，解释方差占比也很重要。如果 PC1 才占 5%，说明数据噪声大，或批次效应不在前两个成分里。可以看碎石图，或用前 10 个主成分做 pairplot。

t-SNE：局部结构保留的利器

PCA 只能看到全局线性的分离，但生物数据往往是非线性的。t-SNE 擅长保留局部邻近关系，把高维相似的点在 2D 上“拉”到一起。

我在项目中遇到过一个问题：PCA 图上所有样本混在一起，什么都看不出。但换成 t-SNE 后，批次之间出现了微妙的偏移，一条 lane 的细胞明显和另一条 lane 的细胞有距离。那一幕让我意识到：线性方法有时会“骗”我们。

代码示例

from sklearn.manifold import TSNE

# 建议先 PCA 降维到 30-50 维再丢进 t-SNE，能去掉噪声
pca50 = PCA(n_components=50).fit_transform(data_scaled)

tsne = TSNE(n_components=2, perplexity=30, random_state=42)
tsne_result = tsne.fit_transform(pca50)

plt.figure(figsize=(8,6))
for batch in np.unique(batch_labels):
    idx = batch_labels == batch
    plt.scatter(tsne_result[idx,0], tsne_result[idx,1],
                label=f'Batch {batch}', alpha=0.7, s=5)
plt.legend()
plt.title('t-SNE colored by batch')
plt.show()
  • perplexity 不是越大越好。我建议在小样本（< 100）时用 5-15，大样本（> 1000）时用 30-50。选错了，点会聚成均匀的“饼”或者碎成小团。
  • t-SNE 每次运行结果不同，设置 random_state 保证可重复。
  • t-SNE 的距离没有物理意义，不要用坐标差来度量批次效应强弱。

UMAP：兼顾全局与局部

UMAP 近年特别火，它基于拓扑学，比 t-SNE 快得多，而且能保留更多全局结构。

我自己的经验：用 UMAP 时，批次效应往往比 t-SNE 更“清晰”，而且不同参数的鲁棒性也更好。UMAP 可以直接从原始高维数据跑，但我仍然建议先 PCA 降噪。

代码示例

import umap

reducer = umap.UMAP(n_neighbors=15, min_dist=0.1, random_state=42)
umap_result = reducer.fit_transform(data_scaled)

plt.figure(figsize=(8,6))
for batch in np.unique(batch_labels):
    idx = batch_labels == batch
    plt.scatter(umap_result[idx,0], umap_result[idx,1],
                label=f'Batch {batch}', alpha=0.7, s=5)
plt.legend()
plt.title('UMAP colored by batch')
plt.show()

参数 tuning：n_neighbors 控制局部 vs 全局平衡（5-50）；min_dist 控制点的聚集程度（0.0-0.99）。如果想看批次分离，可以调大 n_neighbors 让全局结构更明显。我曾经追一个样本批次问题，把 n_neighbors 从 30 调到 15，原本模糊的分离瞬间清晰了。

三种方法对比

方法 原理 保留全局结构 计算速度 参数敏感度 批次效应常见表现
PCA 线性，方差最大方向 ✅ 是 极快 低（标准化影响大） 不同批次沿 PC 方向分离
t-SNE 非线性，概率分布 ❌ 否 慢（样本＞5K 吃力） 高（perplexity） 局部局部偏移、小簇
UMAP 非线性，拓扑图 ✅ 部分保留 快（支持大数据） 中等（n_neighbors） 连续渐变或局部集中

一句话总结：PCA 做快速筛查，t-SNE 看局部细节，UMAP 兼顾速度与视野。

可视化批次效应的标准流程

下面的图是我在实际项目中画的流程，每次校正检测都走一遍这四步。

批次效应可视化流程图 原始表达矩阵 标准化 + PCA降噪 PCA 2D投影 t-SNE 2D投影 UMAP 2D投影 按批次着色 观察分离/混合 批次效应显著？ 是 → 校正 否 → 跳过校正

图上四个步骤：原始矩阵 → 标准化 → 三种降维 → 着色判断。我一般先跑 PCA 看个大概，如果 PCA 看不出明显分离，再上 UMAP 和 t-SNE 试试。但注意：t-SNE 和 UMAP 看到的“分离”不一定是全局批次，要结合生物学先验判断。

避坑指南：我曾经踩过的几个坑

  • 不标准化直接跑 PCA：我第一次做 scRNA-seq 批次检测时就没标准化，结果 PC1 几乎被某个高表达基因（比如线粒体基因）完全解释。后来才意识到，标准化是必须的。
  • t-SNE 用默认参数直接跑几千个细胞：结果等了半小时还卡死。现在我都习惯先用 PCA 降到 50 维，再跑 t-SNE，又快又稳。
  • 过度解读 UMAP 中的“小簇”：UMAP 的簇边界可能被参数影响，尤其是 min_dist 设小了容易“无中生有”。如果看到一个小簇全是某批次样本，建议用 PCA 或差异表达再验证一下。
  • 忽略了批次标签与生物学标签的混杂：比如一批全是健康，另一批全是病人。这时候可视化里的“分离”到底是批次还是生物学差异？需要复着色双重验证（batch 和 condition 用不同形状/颜色）。

小结

可视化是你和数据之间的第一座桥。PCA、t-SNE、UMAP 各有侧重，但目标一致：把隐藏的批次结构挖出来。记住，不要只依赖一种方法，交叉验证才是靠谱的。

← 上一章 📖 返回目录 下一章 →