📚 课程目录第4章 Seurat CCA算法原理

4. Seurat CCA算法原理：典型相关分析寻找共享结构、锚点识别与变换

这一章咱们来啃硬骨头——Seurat的CCA整合流程。说实话，我刚接触单细胞数据整合那会儿，看到CCA这三个字母就头大。后来在项目里反复调参、踩坑，才慢慢摸清楚了它的脾性。

CCA整合的核心，可以拆成三个步骤：寻找共享结构、锚点识别、数据变换。我带你一个一个过。

4.1 典型相关分析：核心思路

典型相关分析，说白了就是找两个数据集之间的“共同语言”。

你看，两个不同批次的单细胞数据，基因表达空间可能完全不同。CCA要做的，就是给每个数据集找一个投影方向，让投影后的数据相关性最大。

举个我项目里的例子。有一次我整合人胰腺的β细胞数据，一个批次是Smart-seq2，另一个是10x Genomics。这两个平台的基因覆盖和表达量级完全不一样。用CCA投影后，它们在高维空间里自动找到了一个共享的低维表示——这意味着，不管数据来自哪个平台，只要细胞类型相同，它们在CCA空间里的位置就应该接近。

数学上，CCA求解的是这样一组基向量：

最大化：corr(U^T * X, V^T * Y)

其中：
X 是数据集1的基因表达矩阵（经过标准化）
Y 是数据集2的基因表达矩阵
U 和 V 分别是两个数据集的典型相关系数向量
corr() 是皮尔逊相关系数

为什么要最大化相关性？你想想看，如果两个数据集里同一种细胞类型的表达模式高度相似，那它们在各自投影空间里的相关性就高。CCA正是利用这个特性，把细胞类型这个“共享结构”从批次噪声里剥离出来。

关键理解：CCA不是做降维，而是做“对齐”。它不关心每个数据集内部的方差，只关心两个数据集之间的协方差结构。

4.2 寻找共享结构：CCA降维与选择

找到典型相关维度后，我们通常会保留前20-30个维度。这个数量怎么定？我一般看维度对应的相关性分数。

# Seurat中的标准调用
library(Seurat)
combined.obj <- FindIntegrationAnchors(
  object.list = list(obj1, obj2),
  dims = 1:20,
  k.anchor = 5,
  reduction = "cca"
)

# 查看各维度的相关性
cca.embeddings <- combined.obj@reductions$cca
head(cca.embeddings@feature.loadings[, 1:3])

这里有个坑要注意。CC的维度相关性是递减的——第一个维度相关性最高，后面的越来越小。我一般保留相关性大于0.5的维度，但实际操作中，20个维度基本够用。

我曾经掉过的坑：有一次我为了追求更高的整合精度，选了50个CCA维度。结果整合后出现了严重的过度校正，同一个细胞类型被强行拉成了不同的簇。后来我才意识到，低相关性的维度包含的不是共享结构，而是批次特异性噪声。切记，不是维度越多越好。

4.3 锚点识别：MNN与打分机制

找到共享结构后，下一步就是锚点识别。Seurat用的是相互最近邻（MNN）技术。

具体怎么做呢？

在CCA空间里找近邻——对数据集1里的每个细胞，在数据集2里找k个最近邻。
反向找近邻——对数据集2里的每个细胞，在数据集1里也找k个最近邻。
取交集——如果两个细胞互为近邻，它们就构成一个锚点对。

为什么要用MNN？因为单纯用最近邻（NN）会引入大量假阳性。我遇到过这种情况：一个数据集里的细胞A在另一个数据集里找到了10个近邻，但反向搜索时，这些近邻里只有2个认为A是它们的近邻。那2对才是真正的生物对应关系，剩下的8对只是批次噪声造成的假象。

锚点的质量不是对等对待的。Seurat会给每个锚点打分，分越高越可靠。打分依据包括：

评分因子	说明
距离一致性	锚点对在CCA空间里的距离越小，分越高
近邻共享比例	两个细胞共享的邻居越多，分越高
局部结构保持	锚点对周围的局部近邻结构越一致，分越高

你看看这个打分机制，其实挺巧妙的。它不只是看两两细胞是否匹配，还看了它们周围的局部邻居是否也匹配。这保证了锚点不是孤立的对应关系，而是整个局部结构的对齐。

4.4 数据变换：从锚点到整合矩阵

锚点识别出来后，最后一步就是数据变换。这个步骤的作用是把所有数据集变换到一个共享的表达空间里。

变换的核心是一个加权公式：

整合后的表达值 = Σ(锚点权重 × 原始表达值) / Σ(锚点权重)

其中锚点权重 = exp(-d² / σ²)
d 是锚点对在CCA空间里的距离
σ 是带宽参数，控制权重衰减速度

这个公式的意义是：每个细胞的校正后表达值，是它周围锚点对的加权平均。距离近的锚点权重高，远的权重低。

我刚开始学的时候有个疑惑：为什么不用一个统一的校正因子？后来自己动手做了一次模拟实验才发现，不同细胞受到的批次效应影响是不一样的。有些亚群可能完全不受批次影响，有些则被严重扭曲。用锚点加权的方式，可以对每个细胞做精细化的校正。

一个小技巧：如果你发现整合后某些稀有细胞类型消失了，可以尝试调低σ值。这会让每个细胞只受距离很近的锚点影响，从而保留更多局部细节。我在整合T细胞亚群时就遇到过这个问题，调低σ后效果立竿见影。

4.5 完整流程示意图

下面这张图总结了CCA整合的完整流程。我建议你看完后再回到前面读一遍，会有更深的理解。

从图上你能看到，整个流程是线性的，但每个步骤内部都有很多细节。我特别想强调的是：锚点识别是决定整合质量的关键。如果锚点识别不准，后续的变换再精细也是白搭。

核心总结：Seurat CCA的精髓在于“先找共享结构，再识别锚点，最后做加权校正”。这三步环环相扣，缺一不可。

好了，这一章的内容就到这里。CCA的数学原理听起来复杂，但落实到代码上并不难。你只要记住核心逻辑，遇到问题时就能快速定位。如果整合效果不好，先检查CCA维度选择，再检查锚点质量，最后调变换参数——这个排查思路在项目里帮我省了不少时间。