数据预处理与标准化

数据预处理这事儿，我刚开始做单细胞分析时经常忽略。心想“数据不就这么点事嘛，直接丢进去跑PCA不就行了？”结果呢？出来的图惨不忍睹——批次效应和生物学变异搅成一团，根本分不清谁是谁。后来我才明白，预处理做得好，PCA才能给你讲真话。

为什么预处理对PCA至关重要？

PCA的工作原理说白了就是找方差最大的方向。如果你的数据里某个基因的表达量是另一个的一千倍，那PCA的第一主成分肯定被这个基因给带偏了。你想想看，那还能看到真正的生物学结构吗？

我个人的习惯是，在跑PCA之前先问自己三个问题：

  • 数据是否已经中心化？
  • 各个特征的尺度是否一致？
  • 有没有极端值或偏态分布需要处理？

答案写在预处理步骤里，而不是等结果烂了再后悔。

中心化（Centering）

中心化就是把每个特征的均值拉到0。PCA的协方差矩阵计算依赖均值，如果不中心化，第一主成分会直接指向均值所在方向，而不是数据真正的变异方向。我见过有人忘了这一步，画出来的PC1几乎就是样本平均值的连线图，一点意义都没有。

中心化操作：X_centered = X - X.mean(axis=0)

在sklearn中，PCA默认会进行中心化，但自己手动做一遍总是更安心。

缩放（Scaling）

缩放是为了让所有特征在同一个量级上。常用的方法是Z-score标准化：

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X_raw)
# 结果：每列均值为0，标准差为1

注意：如果你要做UMAP或t-SNE，缩放也是标准操作。但PCA对尺度更敏感——因为PCA的方差计算就是基于尺度的。举个例子，如果基因A表达量在0-100，基因B在0-1，那基因A的方差天然就大，PCA会误以为它最重要。缩放之后，每个基因才有公平的发言权。

我的经验：对于单细胞RNA-seq数据，我通常先做log1p变换，再用ScaleData（或StandardScaler）做Z-score。顺序上最好先变换后缩放，否则log之前负值会报错。

对数变换（Log Transformation）

为什么需要对数变换？因为很多生物学数据（比如基因表达）是计数数据，分布严重偏态——大部分基因低表达，少数基因极高表达。这种长尾分布会让PCA过分关注那些高表达基因。做了log1p（log(1+x)）之后，分布变得相对对称，PCA才能看到差异不大的基因之间的微妙变化。

避坑指南：我曾经在一个批量效应校正项目中直接对原始计数做PCA，结果第一主成分几乎全被线粒体基因和核糖体基因绑架。后来加了log1p变换，那些管家基因的权重才降下来，真正的亚群结构才浮现出来。

import numpy as np

# 对数变换（log(1+x)）
X_log = np.log1p(X_raw)

# 然后做缩放
from sklearn.preprocessing import StandardScaler
X_final = StandardScaler().fit_transform(X_log)

实战代码演示

下面是一套完整的预处理+PCA流程，我用它来处理来自两个批次的数据。你可以直接复制跑一下，看看不同预处理对PCA结果的影响。

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

# 模拟两个批次的数据
np.random.seed(42)
n_cells = 200
n_genes = 100
batch1 = np.random.negative_binomial(n=2, p=0.01, size=(n_cells//2, n_genes))
batch2 = np.random.negative_binomial(n=2, p=0.02, size=(n_cells//2, n_genes))
X_raw = np.vstack([batch1, batch2]) * 1.0
batch_labels = np.array([0]*100 + [1]*100)

# 不预处理直接PCA
pca_raw = PCA(n_components=2).fit_transform(X_raw)

# 只缩放不变换
X_scaled = StandardScaler().fit_transform(X_raw)
pca_scaled = PCA(n_components=2).fit_transform(X_scaled)

# 对数+缩放
X_log = np.log1p(X_raw)
X_log_scaled = StandardScaler().fit_transform(X_log)
pca_log = PCA(n_components=2).fit_transform(X_log_scaled)

# 绘制三张图对比
fig, axes = plt.subplots(1, 3, figsize=(15,5))
axes[0].scatter(pca_raw[:,0], pca_raw[:,1], c=batch_labels, cmap='coolwarm', s=5)
axes[0].set_title('Raw counts PCA')
axes[1].scatter(pca_scaled[:,0], pca_scaled[:,1], c=batch_labels, cmap='coolwarm', s=5)
axes[1].set_title('Scaled only PCA')
axes[2].scatter(pca_log[:,0], pca_log[:,1], c=batch_labels, cmap='coolwarm', s=5)
axes[2].set_title('Log1p + Scaled PCA')
plt.show()

不同预处理对PCA结果的影响

预处理方式主成分方差分布批次效应可见性生物学信号分辨率我的建议
不处理（原始计数）集中在高表达基因被高表达基因掩盖低不推荐
仅中心化仍受尺度影响略有改善中低较少单独使用
仅缩放（Z-score）均衡，但偏态依旧可部分暴露中适用于计数分布不极端的情况
对数变换 + 缩放最均衡清晰可见高推荐标准流程
平方根变换 + 缩放中等均衡尚可中替代方案（处理接近零inflated数据）
数据预处理流程对PCA的影响 原始计数数据 仅中心化 Z-score缩放 log1p + 缩放 PCA降维 可视化结果 不同预处理导致 PCA结果差异显著

从SVG流程图可以看出，预处理的分支选择直接影响PCA的输出。我个人偏好log1p + 标准化的组合拳，这在我处理过的十几套单细胞数据中，只有一两次因为数据特别稀疏（大量零值）而改用了平方根变换。其他情况下，这个组合都能让PCA乖乖听话。

← 上一章 📖 返回目录 下一章 →