缺失值处理：别让“空”毁了你的模型

做RNA-seq分析，缺失值是个绕不开的坑。我当年刚接触转录组数据时，拿到表达矩阵第一件事就是直接丢给机器学习模型跑——结果准确率惨不忍睹。后来一查，发现矩阵里飘着一堆NaN和0。嗯，并不是基因不表达，而是测序没测到。你想想看，模型看到一堆缺失值，能不懵吗？

这一章我就聊聊缺失值怎么来的，以及我常用的几种填补策略。坦白说，没有万能药，但选对了方法能让你的模型至少提升5-10个点。

基因表达数据为什么会有缺失？

很多人以为表达矩阵里出现0或NaN就是基因没表达。其实大部分缺失是技术原因造成的，跟生物学无关。我总结了几个常见“凶手”：

• 测序深度不足：低表达基因的read count本来就少，抽样时可能恰好没抽到。这就是所谓的“dropout事件”。
• 低表达基因：表达量太低，低于检测阈值，仪器报不出来。
• 批次效应：不同实验批次、不同试剂、不同操作员——我曾在一个项目中，两批样本同一基因的缺失率差了30%，原因竟然是换了一台测序仪。
• PCR扩增偏好：高GC含量的区域难扩增，容易漏掉。
• 比对质量问题：低质量read被过滤掉，对应基因就空了。

常见填补策略：从粗暴到精细

填补方法很多，但核心就两个字：推和猜。推是用统计量替代，猜是利用其他基因或样本的关系来预测。下面几个策略我都在真实项目里踩过坑，一个一个说。

均值/中位数填补（最简单，但小心翻车）

把基因在所有样本中的表达值取平均（或中位数），填到空位置上。代码就两行：

from sklearn.impute import SimpleImputer
import numpy as np

imputer = SimpleImputer(strategy='median')
matrix_filled = imputer.fit_transform(expression_matrix)

我在处理一个乳腺癌数据集时试过均值填补，结果聚类分析直接把所有样本分成了两团——后来发现是因为均值被几个高表达样本带偏了。换成中位数就好多了。我个人习惯：有异常值用中位数，否则用均值。

KNN填补（利用“邻居”帮忙）

找k个与缺失基因表达模式最相似的基因（按非缺失位置算欧氏距离），用它们的加权平均来填。sklearn直接支持：

from sklearn.impute import KNNImputer

imputer = KNNImputer(n_neighbors=5, weights='distance')
matrix_filled = imputer.fit_transform(expression_matrix)

效果比均值好很多，但有两个坑：一是计算量大——如果你有2万个基因，跑一次KNN要几分钟；二是k值怎么选？我试过5、10、15，在TCGA的肝癌数据上k=10效果最好。建议用交叉验证来调。

随机森林填补（迭代预测，效果最稳）

先用均值初始化，然后每次选一个含缺失值的基因作为“目标变量”，其他基因做特征，训练随机森林来预测缺失值。迭代个10轮，结果就收敛了。sklearn的IterativeImputer就是这个逻辑：

from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer
from sklearn.ensemble import RandomForestRegressor

imputer = IterativeImputer(
    estimator=RandomForestRegressor(n_estimators=100, max_depth=10),
    max_iter=10,
    random_state=42)
matrix_filled = imputer.fit_transform(expression_matrix)

这个是我最常用的方法，尤其在要建预测模型时。随机森林本身对噪声不敏感，而且能捕捉基因之间的非线性关系。不过迭代10次的话，2万基因×500样本的数据集可能要跑30分钟。嗯，时间换精度，值不值你自己掂量。

方法对比：一张表说清楚

核心流程：一张SVG图讲清楚

下面我画了一个流程图，概括了从缺失诊断到策略选择再到效果验证的完整思路。你可以把它贴在工位旁边，做RNA-seq分析时心里有个谱：

避坑指南：这些年我交过的学费

填补不是终点，填完一定要验证。我分享几个真实教训：

• 别对所有基因无差别填补：我曾图省事，把缺失率95%的基因也用KNN填了——结果模型把那些基因当作重要特征了。后来发现，填出来的值基本是噪声。建议先过滤掉缺失率>50%的基因。
• 填完后检查分布：均值填补会让表达分布出现一个尖锐的峰，峰顶正好是均值。你画个核密度图就能看出来。如果看到这种“假峰”，赶紧换方法。
• 不要忽视零值：有些软件把0当作缺失，有些当作真实表达。我就被坑过一次——用DESeq2时把0当作缺失填了，结果差异基因分析全错了。先弄清楚你数据里0的意义。