4. 批次效应可视化：t-SNE/UMAP降维后按批次着色

说实话，处理批次效应的第一步，不是直接上矫正算法。

我个人习惯，先看数据长什么样。你想想看，如果你不知道问题的严重程度，你怎么知道该下多重的药？

这一章我们就来聊，怎么用t-SNE和UMAP这两个降维工具，把批次效应“画”出来。说白了，就是让数据自己说话，让你肉眼看到那些不该出现的批次分离。

4.1 为什么要先可视化？

数据是高维的。每个spot可能有几千个基因的表达值。你没法直接画个散点图来看。降维就是把这些高维信息压缩到2维或3维，保留最重要的结构。

我在项目中遇到过这样一个情况：一个同事花了三周跑各种矫正算法，结果效果还不如不矫正。为什么？因为他一开始就没看数据，其实那个数据集的批次效应根本不大，是他自己的预处理步骤出了问题。白费功夫。

所以，先可视化。这是避坑的第一步。

我的建议： 在运行任何批次校正算法之前，务必先做一次降维可视化。这能帮你快速判断：
1. 批次效应是否存在？
2. 效应有多强？
3. 是全局偏移还是局部扰动？
这个习惯，能帮你省下大量试错时间。

4.2 t-SNE vs UMAP：选哪个？

这两个都是非线性降维方法。但它们的脾气不太一样。

特性 t-SNE UMAP
速度 慢，尤其是数据量大时 快，通常比t-SNE快一个量级
全局结构保持 较差，更关注局部邻域 较好，能在一定程度上保留全局拓扑
可重复性 依赖随机种子，每次跑可能不同 相对稳定，不过也建议固定种子
批次效应敏感度 非常敏感，小差异也能放大 敏感，但不如t-SNE“夸张”
参数影响 perplexity值很关键 n_neighbors和min_dist影响大

我自己呢？在做批次效应诊断的时候，我通常两个都跑。t-SNE用来“找茬”，UMAP用来“确认”。t-SNE会把微小的批次差异放大，让你不容易漏掉问题。UMAP则给你一个更真实的全局视图。

注意： 千万不要只依赖t-SNE的可视化结果来做生物学结论。它擅长“聚在一起”，但距离和密度在t-SNE图上没有绝对意义。你看到的“分离”可能只是计算上的伪影。

4.3 具体怎么做？代码实战

好，我们来写代码。假设你有一个Seurat对象（R语言）或者anndata对象（Python）。我的示例用R语言的Seurat来演示，因为它在空间转录组社区用得很广。不过逻辑是一样的。

第一步，你要确保你的数据里已经包含了批次信息。通常这个信息在meta.data里，列名可能是"batch"、"sample_id"或者"orig.ident"。

# 假设你已经有一个Seurat对象: spatial_obj
# 检查批次信息
head(spatial_obj@meta.data)
# 应该能看到一列叫 "batch" 的列

第二步，降维。如果你还没跑PCA，得先跑。t-SNE和UMAP通常基于PCA的结果来做。我个人习惯用前30个PC。

# 标准化和PCA
spatial_obj <- NormalizeData(spatial_obj)
spatial_obj <- FindVariableFeatures(spatial_obj)
spatial_obj <- ScaleData(spatial_obj)
spatial_obj <- RunPCA(spatial_obj, npcs = 30)

# 跑UMAP
spatial_obj <- RunUMAP(spatial_obj, dims = 1:30)

# 跑t-SNE (可选)
spatial_obj <- RunTSNE(spatial_obj, dims = 1:30)

第三步，才是我们的重头戏——按批次着色绘图。

# 按批次着色看UMAP
DimPlot(spatial_obj, reduction = "umap", group.by = "batch") +
  ggtitle("UMAP colored by batch")

你看，就这么简单。几行代码，图就出来了。但重点是怎么看这张图。

4.4 怎么读图？—— 三看原则

图出来之后，别急着下结论。我总结了一个“三看原则”，照着做就行。

  1. 一看分离度：
    不同颜色的点是不是明显分开了？如果是，恭喜你，批次效应很严重。
    比如，所有红色的点挤在左上角，所有蓝色的点挤在右下角。中间没有一个重叠。
    这就是典型的“完美分离”。你需要矫正。
  2. 二看重叠度：
    不同颜色的点是不是混在一起？但混得“不自然”？
    举个例子：红色的点在某个区域占主导，但蓝色点也零星有一点。或者不同批次形成了“条带状”的结构。
    这就是部分重叠，部分分离。也属于需要关注的情况。
  3. 三看混合度：
    理想状态下，不同批次的点应该在UMAP空间里均匀混合。就像一个搅拌均匀的沙拉，分不清哪片生菜来自哪棵菜。
    如果看起来是这样的，那你的数据可能本身批次效应就很小，或者你的实验做得非常棒。
关键： 判断是否需要矫正，不是看“有没有分离”，而是看“分离的程度是否远大于生物学差异”。如果不同批次对应不同的生物学区域（比如不同的组织切片位置），那它们本来就应该分开。我见过有人把部位差异当成了批次效应，结果一矫正，把真实的生物学信号给抹平了。这是大坑。

4.5 避坑指南：我踩过的那些雷

我曾经犯过一个低级错误。跑完UMAP，看到不同批次完美分离，激动得不行，赶紧跑矫正。结果发现矫正后数据一团糟。后来检查，发现是我在ScaleData的时候，没有按批次进行回归，导致技术差异被放大了。嗯，这个坑不小。

这里我列出几个常见问题，你遇到了可以对照看看。

  • 问题1：PC选少了。
    只用前5个PC，可能导致信息丢失，批次效应不明显。
    建议： 至少用20-30个PC。我通常用30个。
  • 问题2：Perplexity设错了（t-SNE）。
    t-SNE的perplexity值如果太小，点会很分散，看起来像是都有差异；如果太大，所有点会挤成一团。
    建议： 对于空间转录组数据，我一般设perplexity在30-50之间，然后微调。
  • 问题3：忽略了生物学变量。
    别忘了，有些差异是生物学差异。如果你把不同解剖区域的样本放在一起，它们本来就不该重叠。
    建议： 同时按生物学分组（比如“区域”、“细胞类型”）着色，对比看看。如果批次和生物分组高度相关，那情况就比较复杂了。
批次效应可视化诊断流程 1. 数据准备 2. 降维 (PCA → UMAP / t-SNE) 3. 按批次着色 3. 按生物学变量着色 4. 对比：批次 vs 生物学分离模式 5. 决策：是否需要矫正？ 确保 meta.data 包含批次列

这张图把流程捋清楚了。核心就是对比例子：看看批次分离的模式，是不是和生物学分离的模式一致。如果一致，那可能不是批次效应，而是你想找的那个生物学差异。

4.6 进阶：定量评估批次效应

视觉判断有个问题：主观。不同人看同一张图，可能得出不同结论。而且图有时候会骗人，尤其是当数据量很大的时候。

所以我有时候会用几个量化指标来辅助判断。虽然这些指标不完美，但可以作为参考。

  • LISI (Local Inverse Simpson's Index)：
    这个指标衡量局部邻域的“混合度”。如果LISI值高，说明局部区域混合得好。如果低，说明同一批次占主导。
    可以用lisi包来计算。
  • kBET (k-nearest neighbor Batch Effect Test)：
    它检查每个spot邻域内的批次比例是否与全局批次比例一致。不一致，就说明有批次效应。
    可以用kBET包。
  • Silhouette Score：
    经典的聚类评估指标。如果按批次聚类后轮廓系数高，说明批次区分度大，效应强。
我的建议： 不要完全相信任何一个量化指标。它们都有假设条件。比如LISI假设样本混合均匀，如果数据本身有结构（比如不同的组织区域），那LISI值低可能只是因为生物学结构，而不是批次效应。所以，量化指标要和可视化结合着看，相互验证。

4.7 一个小结

批次效应可视化的核心，就三件事：降维、着色、对比。工具就那几个，没什么花哨的。重点在于你怎么读图，怎么判断。

记住，你的目标是区分“技术噪音”和“生物学信号”。可视化是第一步，也是最容易出问题的一步。图做得好看不难，但看得准，需要经验积累。

嗯，这一章就到这里。后面我们会进入真正的校正环节，但请记住，没有这个诊断步骤，后面的校正就是“瞎搞”。

← 上一章 📖 返回目录 下一章 →