3. 空间基因表达矩阵构建：Count矩阵标准化、log1p变换、Scran与SCTransform方法适配
拿到空间转录组的原始Count矩阵之后，第一件事是什么？不是直接跑聚类，也不是画UMAP。你得先问问自己：这些数字能直接比吗？
答案显然是否定的。每个spot（或细胞）的总UMI数差好几倍，文库大小、捕获效率、基因长度全都不一样。我早期入坑时，天真地把原始Count扔进PCA，结果第一主成分几乎全是文库大小，基因差异全被淹没了。嗯，标准化这步，绕不过去。
今天咱们就聊聊空间数据里最常用的三种标准化手段：log1p变换、Scran和SCTransform。它们各自解决了什么问题？在空间数据里谁更靠谱？我带你把坑填平。
3.1 为什么空间数据需要特殊的标准化？
单细胞和空间数据的Count矩阵有一个共同痛点：技术噪声非均匀。简单说，两个spot明明表达同样的基因量，但一个捕获效率高、一个低，出来的Count可能差十倍。
标准的做法是先把Count转成「相对丰度」——也就是每个spot内，各基因的读数除以该spot总读数，再乘个缩放因子（通常一万或中位数）。这一步叫「library-size normalization」。
但空间数据比单细胞多一层复杂性：空间邻居效应。有些spot的组织区域细胞密度高，有些低，导致总UMI数天然有差异。如果粗暴地做全局缩放，会抹掉真实的空间异质性。所以我个人习惯，先在空间切片层面拆开看，再决定要不要合并标准化。
3.2 log1p变换——最朴素也最常用的方法
log1p(x) = log(x + 1)，这公式简单到离谱，但效果出奇好。它做了两件事：
- 压缩高表达值的动态范围，避免高表达基因主导距离计算。
- 让数据分布更接近高斯，满足后续线性模型的假设。
不过log1p之前通常需要先做CPM（Counts Per Million）或TPM（Transcripts Per Million）之类的缩放。完整的流程是：
# 例如使用Seurat的NormalizeData，默认就是log1p(CPM)
pbmc_small <- NormalizeData(pbmc_small, normalization.method = "LogNormalize", scale.factor = 10000)
# 等价于： log1p( (counts / colSums(counts)) * 10000 )逻辑上没问题，但空间数据里我建议别用固定的scale.factor（比如10000）。为什么？因为spot的总UMI变化范围比单细胞大得多，用固定因子可能让某些spot的标准化值炸掉。我自己写空间管道时，一般用中位数缩放：每个spot除以自身总UMI，再乘以所有spot总UMI的中位数。
3.3 Scran：基于细胞池的尺度因子估计
Scran的思路很巧妙：它假设大部分基因在大部分细胞里表达量差不多，然后通过计算「细胞池」的中位数比值来估计每个细胞的尺度因子。具体流程：
- 先快速聚类（比如用k-means），得到粗略的细胞/spot群。
- 在每个群内，构建若干「伪细胞池」（把多个细胞/spot的Count加起来）。
- 用所有池的中位数比值，反推每个spot的尺度因子。
这个方法的优势是对高表达基因和低表达基因都能给出一致的缩放。我曾在一个人脑皮层空间数据上对比过，Scran比log1p(CPM)在下游差异基因检测的假阳性率上低了将近30%。
但要注意：Scran假设「大部分基因非差异表达」——这在空间数据里可能不成立。如果某些区域的主细胞类型发生切换，比如从神经元过渡到星形胶质细胞，两个区域的基因表达谱差异很大，Scran的尺度因子估计就会偏掉。我在海马体数据集上翻过车，最后老老实实用SCTransform了。
# R语言中调用Scran
library(scran)
sce <- SingleCellExperiment(list(counts = matrix))
clusters <- quickCluster(sce)
sce <- computeSumFactors(sce, clusters = clusters)
sce <- logNormCounts(sce)3.4 SCTransform：基于正则化负二项回归的标准化
SCTransform（现在改名叫SCTransform V2了）是我目前在空间数据上最偏爱的标准化方法。它直接建模Count的分布——用正则化负二项回归去拟合UMI counts vs 文库大小的关系，然后输出皮尔森残差作为标准化值。
核心好处有三：
- 方差稳定：它不假设方差等于均值，而是通过模型估计每个基因的方差，降低高表达基因的权重。
- 直接降维：做完SCTransform，你可以直接用残差矩阵做PCA，不需要额外scale。
- 处理稀疏性：空间数据里很多基因的零值比例很高，负二项模型比正态模型更合适。
不过它也有成本：计算量大。我用一个包含10000个spot、20000个基因的空间切片跑SCTransform，R语言用了大概15分钟，而log1p只需几秒。如果你的硬件是笔记本，可能需要等一会儿。
# Seurat中的SCTransform用法
library(Seurat)
obj <- SCTransform(obj, assay = "Spatial", verbose = FALSE)
# 默认使用正则化负二项回归，输出残差n_cells（默认5000）或改用 method = "glmGamPoi"。我遇到过一些超稀疏的Visium切片，改成glmGamPoi后马上就收敛了。
3.5 方法对比
下表是我根据实际项目经验整理的三项对比，方便你决策：
| 方法 | 速度 | 对稀疏性鲁棒性 | 空间异质性保留 | 下游差异分析效果 |
|---|---|---|---|---|
| log1p(CPM) | 极快 | 低（零膨胀严重时效果差） | 中（依赖缩放因子选择） | 一般 |
| Scran | 较快 | 一般（假设非差异大部分基因） | 较好 | 好（但局部大差异时偏倚） |
| SCTransform | 慢（但可并发） | 高（负二项建模） | 好（残差直接保留空间趋势） | 非常好 |
3.6 我的选择建议
回到工程视角，我不会死守一个方法。以下是我在实战中的决策树：
- 快速探索、原型验证：log1p(中位数缩放)就够了，几秒钟出结果，先看整体空间模式。
- 多切片整合或批次校正需求：SCTransform，因为它对批次的鲁棒性比前两个好。
- 有明确的空间模块差异基因检测需求：Scran+log1p组合，或者直接用SCTransform的残差。
- 如果你处理的Spot数量少于500且基因数小于5000：可以试试所有三种，然后通过QC指标（如低表达基因的方差解释率）选最优的那个。我曾经用这种方法发现log1p对那个小数据集反而效果最好。
最后放一张流程图，总结三种标准化方法在空间数据中的适配路径：