4. scVI的核心思想：变分自编码器

好，聊完了单细胞数据那些让人头疼的特性，我们该切入正题了——scVI到底是怎么工作的？

我刚开始接触scVI时也一头雾水。什么变分自编码器，听起来像物理名词。后来我把它拆开看：变分、自编码器。说白了，就是一个能自动学习数据内部规律，还能对抗噪声的神经网络。

我个人习惯把VAE看作是“数据压缩-还原游戏”。你有一幅高分辨率的画，你先把它压缩成一个简短描述，再根据描述把画还原出来。如果还原得很像原画，说明你的压缩描述抓住了精髓。scVI就是这么个思路。

4.1 自编码器基础回顾

先不急着讲scVI。我们从最原始的自编码器开始。你想想看，它其实就三部分：

• 编码器：把高维输入（比如一个细胞的基因表达向量）映射到一个低维隐藏空间
• 隐藏层：低维的“中间表示”，也就是我们的隐变量
• 解码器：从隐藏空间再映射回原始高维空间

训练目标很简单：让输出尽可能接近输入。这样一来，隐藏层就不得不学习数据中最核心的结构。

我记得到2016年左右，普通自编码器开始被用到单细胞数据里去降维。效果还行，但有个致命问题——过度自信。它对每个输入只输出一个点，完全不考虑不确定性。单细胞数据噪声那么大，你硬说某个细胞的潜在位置就是那么精确，不出问题才怪。

4.2 变分自编码器的改进

变分自编码器（VAE）在自编码器基础上引入了一个关键变化：输出分布，而不是点。

具体怎么做的？编码器不再输出一个确定的向量，而是输出两个东西：均值和方差。然后把隐变量采样为：

z = μ + σ * ε, 其中 ε ~ N(0, I)

这个技巧叫重参数化。没有它，采样操作不可导，整个网络就训练不了。

再配合一个KL散度项，强制隐藏空间的分布靠近标准正态分布。这样做的好处是：隐空间变得光滑有拓扑结构，你在两个真实细胞之间插值，解码出来的基因表达也是有意义的。

我当年第一次跑通VAE时，试了试隐空间插值。从一个T细胞平滑过渡到一个B细胞，中间状态的基因表达居然真的变了——这件事让我对VAE建模单细胞数据的潜力深信不疑。

4.3 scVI对标准VAE的改造

scVI没有直接用标准VAE。它针对单细胞数据做了几个关键改造。我个人觉得这些改造才是它真正厉害的地方。

第一，零膨胀负二项输出分布。

标准VAE假设数据服从高斯分布，这在单细胞数据上行不通。UMI计数是离散的、过离散的，而且有大量零值。scVI使用零膨胀负二项分布（ZINB）来建模每个基因的表达量：

p(x_g | z, s) = ZINB(π_g, μ_g, θ_g)

其中：
π_g ——  dropout概率（技术零的概率）
μ_g ——  负二项分布的均值（真实表达水平）
θ_g ——  负二项分布的离散度

这样就能同时处理“基因没表达”和“基因表达了但没捕获到”两种情况。我在处理10X数据时发现，这个假设对零值的拟合效果比高斯假设好太多了。

第二，显式建模批次效应。

scVI把批次信息作为条件输入。编码器和解码器都加入批次标签作为条件变量。用公式表示就是：

编码器: q(z | x, batch)
解码器: p(x | z, batch)

训练时，模型能看到同一基因在不同批次中的不同分布。推理时，你可以把所有批次都统一到一个参考批次，从而实现批次校正。

组件	标准VAE	scVI
输出分布	高斯分布	零膨胀负二项分布
批次处理	无显式支持	条件编码/解码
库大小归一化	需预处理	内置于解码器
隐变量	连续向量	连续向量 + 可扩展

第三，内建库大小校正。

不同细胞捕获到的UMI总数差异很大。普通方法会在预处理时做CPM、TPM之类的归一化。scVI则把每个细胞的总UMI数作为输入传给解码器，让模型自己去学这个规模因子和基因表达之间的关系。

这招比固定公式的归一化灵活多了。举个例子，在细胞周期相关基因上，总UMI数高不代表这些基因的相对比例高，模型能学到这个细微差别。

4.4 scVI的完整工作流

好了，我们把上面这些零件组合起来，看看scVI一次训练是怎么跑的：

1. 输入：每个细胞的基因表达向量x，加上批次标签b，加上总UMI数s
2. 编码：用神经网络把(x, b)映射到隐变量分布的参数(μ, σ)
3. 采样：用重参数化从N(μ, σ²)采样出隐变量z
4. 解码：用另一个神经网络把(z, b, s)映射到ZINB分布参数(π, μ, θ)
5. 损失：最大化数据的对数似然 + 最小化KL散度

下面是scVI训练的流程图。我建议你把这个图跟上面的步骤对照着看，能理解得更透。

训练完成后，我们就可以取出隐变量z用于下游分析。z是低维的、经过批次校正的、去噪后的细胞表示。

4.5 训练过程与调参经验

scVI是用PyTorch实现的，训练过程跟一般深度网络差别不大。核心超参数有这么几个：

参数	默认值	我的建议
n_latent	10	数据量大时可调大到20-30，保留更多信息
n_layers	2	3层够用，再多容易过拟合
dropout_rate	0.1	稀疏数据建议降到0.05
max_epochs	400	加early_stopping，100epoch无改善就停
batch_size	128	细胞量>5万时用256，稳定很多

4.6 推理与下游使用

模型训练好了，具体怎么用？我总结了几种常见场景：

• 降维可视化：直接取隐变量z，交给UMAP或者t-SNE画图。如果需要可视化批次校正效果，可以在推理时统一所有细胞的批次标签。
• 数据去噪：用解码器重构出原始的基因表达。重构值不再有dropout噪声，用做差异表达分析背景更干净。
• 缺失值填补：把原始零值输入模型，重构出一个非零值。不过要小心，不要过度解读填补值。
• 新细胞类型检测：训练好模型后，把新数据输入，看它落在隐空间的哪个区域。如果落在现有簇之外，可能就是新的细胞亚群。

我个人在实际场景中经常遇到一个问题：用户问“scVI能直接输出聚类结果吗？”答案是不能。scVI在底层只是一个生成模型，它的输出是潜在表示，不是类别标签。聚类还需要你自己用Leiden或k-means去完成。但有了好的潜在表示，聚类准确率会高出不少。

4.7 小结：scVI的变分自编码器核心

把上面所有内容串起来，scVI的核心就四句话：

• 用变分自编码器框架，学习隐变量的后验分布
• 零膨胀负二项分布建模基因表达，贴合真实数据生成过程
• 条件变分自编码器思想，内建批次校正功能
• 库大小作为输入，自动处理技术差异，无须预处理归一化

这四点就是我们后续对比分析scVI和BBKNN的技术基础。你把VAE的原理吃透了，后面理解模型之间的差异就轻松多了。