EVBioX 第七期 |单细胞降维与聚类全攻略

“第一次把 RNA‑seq 高维矩阵拖进 UMAP，屏幕就像放烟花——杂乱无章的点忽然排成星座。”

0. 前言：在高维丛林里找路

在传统转录组数据里，我们面对的变量可能是几十或几百个基因，但在单细胞 RNA-seq 中，每个细胞就是一个高维样本，维度通常高达上万。这样的数据让我们“看不见摸不着”全局结构，因此需要用到**降维（Dimensionality Reduction）和聚类（Clustering）**这两个工具。

降维，是为了从高维空间中提取最具代表性的信息，让我们可以在二维或三维图中一眼识别出不同细胞群体；而聚类，是在降维后的空间中将相似细胞分组，为后续的细胞类型注释打下基础。

在本期中，我们将从概念讲起，结合 R 和 Python 的实操代码，帮助大家搞清楚：“什么是降维和聚类？常见的方法有哪些？如何根据数据选择合适的工具和参数？”

1. 降维篇

1.1 降维的意义和背景

高维数据常常面临“维度灾难”，也就是说，随着维度增加，数据点之间的距离逐渐趋同，传统的相似性度量（如欧几里得距离）逐渐失效。这会直接影响聚类、可视化等分析效果。

降维的目标就是在保留关键信息的同时，去除冗余或噪音维度，从而让数据在低维空间中更易处理、理解和呈现。

不同分析目标需要不同的降维程度：

• 可视化（Visualization）：通常压缩成 2-3 维，便于绘图和直观观察。

• 特征提取 / 去噪（Feature Extraction）：通常保留 10-50 个维度，兼顾计算效率和信息含量。

• 下游分析（如聚类、轨迹推断）：依赖降维后的特征空间。

1.2 降维方法概览

目前常用的降维方法可以分为线性和非线性两大类：

🔍 名词解释：

• PCA（主成分分析）：通过线性变换找到最大方差方向，是最基础的降维工具。

• t-SNE：专注保留局部结构，适合展示紧凑类群，但不太适合展示全局结构。

• UMAP：兼顾局部与全局，速度快，几乎是目前 scRNA-seq 可视化的默认首选。

• PHATE：能较好展示“发展轨迹”类结构，尤其适合时间序列或连续分化数据。

参考文献推荐：Frontiers in Genetics 2021 比较了10种降维算法（doi:10.3389/fgene.2021.646936），指出 UMAP 在运行效率和局部结构保真度上表现最优。

1.3 降维实战技巧

此外，还有一些评估降维效果的方法：

• 累计方差曲线（用于 PCA）

• kNN 保留率：查看邻近结构是否在低维空间中仍得以保留

• Trustworthiness / Continuity：量化高低维之间的一致性

📦 实操代码示例：

pbmc <- RunPCA(pbmc, npcs = 50)
pbmc <- RunUMAP(pbmc, dims = 1:30, n.neighbors = 30, min.dist = 0.3)
DimPlot(pbmc, reduction = "umap", group.by = "seurat_clusters")

sc.tl.pca(adata, svd_solver='arpack')
sc.pp.neighbors(adata, n_neighbors=30, n_pcs=30)
sc.tl.umap(adata, min_dist=0.3)
sc.pl.umap(adata, color='leiden')

2. 聚类篇

2.1 聚类的意义

聚类是指将一组数据分成多个“内部相似、外部差异”的子集，常用于识别不同细胞类型、状态或稀有亚群。在 scRNA-seq 分析中，聚类是细胞注释、差异分析、轨迹推断的关键前提。

值得注意的是，聚类是无监督的，意味着我们并不知道这些细胞应该怎么分组，算法是基于数据本身的相似性做出划分。

• Who are you? 细胞类型 / 状态

• Where is the rare one? 罕见亚群挖掘

• How do they change? 动态节点与轨迹分支

2.2 聚类方法类型

📌 推荐使用 Leiden 聚类，它是 Louvain 的改进版，分群更稳定，并且已在 Scanpy 和 Seurat 中广泛支持。

2.3 聚类实战

操作流程通常包括：

1. 建邻居图：降维后 kNN，k = 8–30。

2. 扫分辨率：resolution 连跑 0.2–2，看颗粒度。

3. 评价优劣：Silhouette、Adjusted Rand、marker 基因一致性。

pbmc <- FindNeighbors(pbmc, dims = 1:30, k.param = 20)
pbmc <- FindClusters(pbmc, resolution = 0.5)
DimPlot(pbmc, reduction = "umap", label = TRUE)

sc.pp.neighbors(adata, n_neighbors=20, n_pcs=30)
sc.tl.leiden(adata, resolution=0.5)
sc.pl.umap(adata, color='leiden')

3. 实例：PBMC 3k 的降维与聚类

我们以经典的 PBMC（外周血单个核细胞）3k 数据集为例，跑一遍全流程：

• 下载数据：SeuratData::InstallData("pbmc3k")

• 执行标准流程：QC → 归一化 → 选择高变基因 → PCA → UMAP → Leiden 聚类

• 注释细胞类型：通过 marker gene（如 CD3D, MS4A1, NKG7）识别 T/B/NK 细胞

进阶玩法：

• resolution 多档跑，选最稳定方案

• 对较大簇进行“子聚类”

• 清理线粒体比例过高的双细胞群体

4. 延伸阅读

• 降维新秀：scGLUE、DestVI、CELLBENDER

• 深度聚类：scDeepCluster, GraphSAGE

• Benchmark 数据集：dynverse、scIB、Human Cell Atlas

5. 小结

降维和聚类，是单细胞分析中“化繁为简”的关键一环。它们让我们看清高维数据背后的生物逻辑，也为后续注释和下游分析奠定了坚实基础。

下一期我们将进入“单细胞注释”模块，欢迎继续关注！