4. 批次效应的可视化方法：PCA、t-SNE、UMAP、热图

咱们做文献数据抽取，拿到一批多组学样本后，最怕什么？怕数据里有隐藏的批次效应。你跑完差异分析，发现一堆显著基因，结果半天发现是不同实验室的批次差异——这锅我背过。所以第一步，先把数据扔到低维空间里看分布，肉眼识别有没有明显的群组分离。

这一章我带你过四种最常用的可视化手段：PCA、t-SNE、UMAP、热图。每一种都有它的脾气，用对了事半功倍，用错了就是画饼。咱们一个一个聊。

4.1 PCA：线性的降维第一枪

主成分分析（PCA）是最基础的线性降维方法。它找的是数据方差最大的方向，把高维表达矩阵投影到几个主成分上。说白了，就是“把最乱的方向先压平”。

我在项目中会这样用：拿到归一化后的表达矩阵（基因×样本），先跑PCA看看前两个主成分能不能把不同批次分开。如果分开得很明显——嗯，批次效应已经写在脸上了。

# R 示例：用 prcomp 做 PCA
expr_matrix <- read.csv("normalized_expression.csv", row.names = 1)
pca_result <- prcomp(t(expr_matrix), scale. = TRUE)  # 转置：样本在行
summary(pca_result)  # 看各主成分方差占比
plot(pca_result$x[,1], pca_result$x[,2], 
     col = as.factor(batch_info), pch = 19,
     xlab = "PC1", ylab = "PC2")

4.2 t-SNE：非线性地摊儿

t-SNE 全称 t-distributed Stochastic Neighbor Embedding，它不关心全局结构，只在乎局部邻居关系。它把高维空间里的相似性映射到二维上，让相近的点聚得更紧，远的点推得更开。

t-SNE 的两个关键参数：perplexity 和 learning rate。perplexity 建议在 5-50 之间调，太小会局部噪音太多，太大会忽略细节。我一般先设 30，看结果再微调。

# R 示例：用 Rtsne 包
library(Rtsne)
set.seed(42)
tsne_out <- Rtsne(t(expr_matrix), perplexity = 30, theta = 0.5)
plot(tsne_out$Y, col = as.factor(batch_info), pch = 19,
     xlab = "t-SNE 1", ylab = "t-SNE 2")

我在一个多中心转录组项目中，PCA 没看出什么，t-SNE 一画，三个中心各据一角，清清楚楚。那之后我就把 t-SNE 作为标配了。

4.3 UMAP：又快又稳的“后浪”

UMAP（Uniform Manifold Approximation and Projection）是 2018 年火起来的。它同样是非线性降维，但比 t-SNE 快很多，而且能更好地保留全局结构。它的数学基础是黎曼几何和模糊单纯集，但你不需要完全懂——会调参就行。

关键参数：n_neighbors（邻居数，默认15）和 min_dist（最小距离，默认0.1）。n_neighbors 越大，越关心全局；min_dist 越小，点越紧凑。我习惯先保持默认，如果聚类太碎就调大 n_neighbors 到 30。

# Python 示例：用 umap-learn 库
import umap
import matplotlib.pyplot as plt

reducer = umap.UMAP(n_neighbors=15, min_dist=0.1, random_state=42)
embedding = reducer.fit_transform(expr_matrix.T)  # 样本在行
plt.scatter(embedding[:,0], embedding[:,1], c=batch_info, cmap='Set1')
plt.xlabel("UMAP 1"); plt.ylabel("UMAP 2")
plt.show()

4.4 热图：把矩阵画成彩虹

热图（heatmap）展示的是表达矩阵的数值分布。行是基因（或特征），列是样本，颜色深浅代表表达量高低。配合列注释（比如批次、分组），一眼就能看出列间是否出现分块结构——批次效应往往表现为同一批次的列颜色模式一致。

我个人会用热图做“批次效应预检”：取 top 高变基因，画一个带批次注释的热图。如果同一批次样本在列上聚成了明显的一簇，那就要小心了。

# R 示例：pheatmap 包
library(pheatmap)
# 选取 top 500 高变基因
top_genes <- order(apply(expr_matrix, 1, var), decreasing=TRUE)[1:500]
pheatmap(expr_matrix[top_genes, ],
         scale = "row",
         annotation_col = data.frame(batch = batch_info, row.names = colnames(expr_matrix)),
         show_rownames = FALSE)

4.5 四种方法对比：怎么选？

我习惯用下面这个表格来决策：

方法	类型	速度	全局结构	局部结构	典型场景
PCA	线性	极快	好	差	初步筛查，线性批次
t-SNE	非线性	较慢	差	极好	复杂非线性，小样本
UMAP	非线性	快	好	好	大样本，单细胞，推荐首选
热图	非降维	快	–	–	直接看模式，辅助验证

实际中我一般这样流水线：先 PCA 快速扫一眼；如果看出明显分群，再用热图进一步确认；如果看不出来，上 UMAP；遇到特别复杂的非线性结构（比如流式细胞、单细胞），再上 t-SNE 杀鸡用牛刀。

4.6 知识图谱：可视化方法全景

下面这张图总结了本章四种方法的定位，以及它们在批次效应识别流程中的关系。