scVI 概述：单细胞 RNA-seq 中的批次效应

大家好，今天我们来聊聊单细胞数据分析里一个绕不开的坎——批次效应。

我个人习惯把批次效应称为“实验室的指纹”。你想想看，同一个生物学样本，在周一做实验和周五做实验，最终测出来的基因表达谱可能天差地别。但这不代表细胞本身变了，而是实验操作、试剂批号、测序通道、甚至当天的室温造成的系统性偏差。

如果不管这批差，直接扔进聚类算法里，结果往往是：不同批次的细胞各自抱团，而真正的生物学差异却被淹没了。我在很多项目里都见过这种情况，新手很容易被“假阳性”的聚类结果误导，以为发现了新的细胞亚群，结果一复查，不过是批次在作怪。

批次效应到底长什么样？

我们先看一个典型的数据结构。单细胞 RNA-seq 实验通常会产出多个样本或多次上机测序的数据。假如你有两个批次的 CD4+ T 细胞数据：

批次 细胞数 基因数 测序深度 环境条件
Batch A 5,000 20,000 高（50K reads/cell） 文库试剂版本 v2
Batch B 5,000 20,000 低（30K reads/cell） 文库试剂版本 v3

这两批细胞理论上应该是同一群细胞，但测序深度的差异会直接反映在 count 矩阵上——Batch A 的许多基因表达量整体偏高。传统归一化方法只能部分缓解，但很难彻底消除这种结构性的偏移。

避坑指南： 我曾经遇到过一个项目，用标准 Seurat 流程跑的聚类结果，Batch A 和 Batch B 的细胞被分成了两个独立的簇。组里同学兴奋地以为发现了“疾病特有亚群”，我让他们先做批次校正再跑一次聚类，结果那两群细胞就合在一起了。嗯，这就是批次效应最典型的迷惑性——它很容易让你“发现”不存在的生物学差异。

传统处理方法为什么不够？

目前最常用的批次校正方法包括 ComBat、MNN Correct、Harmony 等。它们各有各的长处，但本质上都是基于线性或近线性假设来处理批次影响。

举个例子，ComBat 假设每个基因的表达量服从一个位置-尺度模型：

Y_{ij}^k = μ_j + γ_{ij} + δ_{ij} * ε_{ij}^k

其中 μ_j 是基因 j 的整体均值，γ_{ij} 和 δ_{ij} 是批次 i 对该基因的均值和方差调整项。这个模型在线性尺度上工作得还可以，但一旦遇到细胞类型之间的复杂非线性关系，就有点力不从心了。

说白了，批次效应不仅仅是均值平移，它会影响基因之间的关系网络。我见过很多案例，两个批次在低表达基因上的噪声模式完全不同，这些东西是无法通过简单的线性变换拉齐的。

另一个重要问题是，传统方法往往需要先明确批次标签，并且只能处理已知的离散批次。但在现实项目中，你可能会碰到连续型的批次变量，比如测序仪的不稳定漂移，或者样本的采集时间跨度。这时候 Harmony 或 MNN 的效果就会打折扣。

scVI 的核心思路：用深度生成模型学习数据分布

那 scVI 是怎么解决这个问题的呢？它不再假设批次效应是线性或可分离的，而是把整个数据生成过程建模为一个 深度生成模型。

简单来说，scVI 假设每个细胞的基因表达是由两组隐变量共同决定的：一组是 生物学隐变量 z，用于捕捉细胞类型、状态等真正的生物学信息；另一组是 批次的指示变量（batch index），用于解释实验技术带来的系统偏差。

然后用一个变分自编码器（VAE）去推断这个隐变量的后验分布。在推理阶段，我们可以忽略批次信息，只保留 z 来进行下游分析，这样就达到了“抵抗批次干扰”的效果。

核心优势： scVI 能同时处理离散批次和连续协变量（比如测序深度、样品质量指标）。而且在它的框架里，我们不需要显式地“校正”原始表达矩阵，而是直接在隐空间中完成对齐。这是一个质的变化——从“数据清洗”转向“建模中的隐式消除”。

为什么是 scVI 而不是其他？

我估计你会问：VAE 有那么多变体，为什么 scVI 在单细胞领域最受欢迎？我的理解是，它专门针对单细胞数据的稀疏性和过离散分布做了优化。

常规的 VAE 假设数据服从高斯分布，但单细胞数据是 count 数据，而且零值特别多。scVI 使用了 零膨胀负二项分布（ZINB）来建模 UMI count，这个设计更贴合真实的测序过程——一个基因在某个细胞里没有被检测到，可能是因为它根本没表达，也可能是因为测序没捕获到。

同时，scVI 引入了一个条件变分自编码器（Conditional VAE）的结构，把批次变量作为条件输入到解码器中。这样模型就能“看到”批次信息，但却能学着把批次信息与生物学信息分开，而不是混在一起编码。

模型输入：
    - X: 基因表达矩阵（counts 或 normalized values）
    - B: 批次标签（one-hot 编码）

编码器输出：
    - 隐变量 z 的均值和方差（N(μ, σ²)）

解码器输入：
    - 从后验采样的 z
    - 批次的 one-hot 向量 B

解码器输出：
    - ZINB 分布的参数（均值 μ, 离散度 θ, 零膨胀概率 π）

你看，这个框架很灵活。训练结束后，我们可以直接用 encoder 的输出去做降维、聚类、差异表达分析，因为 z 已经不包含批次信息了。

一个简单的流程图

为了更好地理解 scVI 怎么“抵抗”批次干扰，我画了一张流程图：

scVI 抵抗批次干扰的核心流程 输入：表达矩阵 (N×G) × 批次标签 (N×B) 条件 VAE 编码器 NN: X + B → μz, σz 隐变量 z (无批次信息) 下游分析（聚类/UMAP/差异表达） 解码器（生成模型） NN: z + B → ZINB(μ, θ, π) 重构表达矩阵 去批次化后的分布 说明： 1. 编码器同时接收表达矩阵 X 和批次标签 B，学习一个不含批次信息的隐变量 z。 2. 解码器在生成时重新引入批次信息 B，但下游分析只用 z，从而“抵抗”批次干扰。

从这张图里你可以看到，scVI 把批次信息当成了“条件”，而不是编码进隐变量。模型在学习过程中会不断分配哪些变异来源于生物学（z），哪些来源于批次（B）。最终我们只需要保留 z，下去跑聚类或差异表达，就不会被批次带偏了。

一个小技巧： 我发现很多同学在调参时容易忽略一个细节——scVI 的 n_latent 参数不要设得太大。一般 10~20 就够了。如果设到 50 以上，模型可能把噪声也学进去，导致隐空间里的批次结构反而更难消除。我习惯先用 10 跑一次初步结果，再根据重构损失和聚类效果微调。

scVI 的局限与边界

当然，scVI 并不是万能药。我总结了几个它不太擅长的场景：

  • 批次与生物学完全混杂： 比如 Batch A 全是病患组，Batch B 全是正常对照组。这时候没有重叠的生物信息可供模型学习，scVI 也分不清哪些差异是生物学、哪些是批次。这种实验设计本身就有问题，再好的算法也救不回来。
  • 极低的细胞数： 如果某个批次里只有几百个细胞，变分推断的方差会很大，z 的后验估计可能不稳定。我对这种数据通常会先用 Harmony 做个粗校正，再用 scVI 做精调。
  • 对陌生批次的外推能力弱： 如果训练时没见过某种批次模式的细胞，scVI 无法自动泛化。所以如果你计划要对新数据做预测，最好把新数据跟原有数据一起 re-train 而不是直接 infer。

说到这，你可能已经感觉 scVI 的平衡性做得不错：它保留了深度学习的表达能力，又通过条件 VAE 的结构把批次效应隔离出去。在后面的章节里，我们会一步步搭建 scVI 模型，并亲手验证它对批次干扰的抵抗力到底有多强。

← 上一章 📖 返回目录 下一章 →