降维聚类：PCA / UMAP 参数怎么调

跟完这篇，您能把一份标准化后的单细胞数据，从选高变基因、定主成分个数，一路调到聚类分辨率与 UMAP / tSNE 展示，并学会用几张诊断图判断「这套分群到底靠不靠谱」。

降维聚类是单细胞分析的核心一步：把上万维的基因空间压到几十个主成分，再在这个压缩空间里把细胞分成群、摊到二维上看。这一步有四个要自己拿主意的地方——高变基因取多少、主成分留几个、分辨率给多大、UMAP / tSNE 怎么读——本篇逐个讲清每个参数在控制什么、按什么定，最后给一套「合不合理」的自检清单。示例以人类数据、Seurat 较新版本为准；代码片段用于说明每步「做什么、调什么」，不追求可直接整段运行。

这一步在整条流程里的位置

降维聚类不是孤立的一步，它前面必须先做完标准化，后面才谈得上注释。先把这条小流水线摆出来，您就知道下面每个参数卡在哪个环节：

环节	关键函数	在做什么	要调的参数
选高变基因	`FindVariableFeatures`	挑出细胞间变化最大的基因	`nfeatures`
缩放	`ScaleData`	中心化 + 方差归一，为 PCA 铺路	（可选）`vars.to.regress`
线性降维	`RunPCA`	压到几十个主成分	——
定维度	`ElbowPlot`	看留几个主成分够用	后续的 `dims`
建图聚类	`FindNeighbors` / `FindClusters`	建近邻图、把细胞分群	`dims`、`resolution`
非线性降维	`RunUMAP` / `RunTSNE`	把结果摊到二维看	`n.neighbors`、`min.dist`、`perplexity`

一句话记住上下游的因果：高变基因和主成分个数决定「聚类在什么空间里做」，分辨率决定「分多细」，UMAP / tSNE 只负责把结果画出来、不参与分群计算。搞混这三层，调参就会无从下手。

第一步：选高变基因

两万多个基因里，大部分在细胞之间几乎不变，留着只会稀释信号、拖慢计算。高变基因（highly variable genes，HVG）就是把「细胞间变化最大」的那批基因挑出来，后续降维只用它们。

Seurat 的标准做法是 vst 方法：先拟合每个基因「均值—方差」的关系，把方差标准化到同一尺度，再按标准化后的方差排序取前若干个。

library(Seurat)

# selection.method = "vst" 是常用默认；nfeatures 决定取多少个高变基因
seu <- FindVariableFeatures(seu, selection.method = "vst", nfeatures = 2000)

# 画出来看看：高变基因（红点）是否落在方差—均值关系的上方
top10 <- head(VariableFeatures(seu), 10)
p <- VariableFeaturePlot(seu)
LabelPoints(plot = p, points = top10, repel = TRUE)

几个要点：

nfeatures = 2000 是常用默认，不是铁律。 细胞类型差异明显、异质性高的数据，可以调到 3000；只想分几个大群、或细胞很同质，2000 甚至更少就够。取值在一个范围内变动时，主流群体的结构通常很稳，不必纠结精确数字。
留意「高变但没生物学意义」的基因。 线粒体基因、核糖体基因、应激基因，以及免疫组库里高度可变的 TCR / BCR 基因，都可能因技术或个体差异冲进高变列表，把聚类带偏成「按批次分」而不是「按细胞类型分」。若发现某群是被这类基因定义的，可在挑选时把它们排除。
另一条路线是 SCTransform。 它把标准化、找高变基因、缩放三步合成一步，对技术噪声处理更稳，默认取 3000 个高变基因。用了它就不必再单独跑 FindVariableFeatures 和 ScaleData。两条路线选其一即可，属于常见二选一，没有绝对优劣。

选完高变基因，ScaleData 做中心化和方差归一，PCA 才不会被少数高表达基因主导：

# 只对高变基因缩放即可（默认行为）；如需回归掉某些技术因素可加 vars.to.regress
seu <- ScaleData(seu)

第二步：定主成分个数

PCA 把高变基因空间压成一批主成分（PC），前几个 PC 抓住的是细胞间最主要的变异，越往后越接近噪声。降维聚类真正用的不是全部 PC，而是前 N 个——这个 N 是本步要定的关键参数。

seu <- RunPCA(seu)

# 肘图：每个主成分解释的变异（标准差），找拐点
ElbowPlot(seu, ndims = 50)

怎么读肘图：曲线一开始陡降，说明前几个 PC 信息量大；降到某处开始变平，那个「胳膊肘」拐点之后的 PC 增量很小，基本是噪声。取到拐点附近即可，常见落在 10～30 之间，按肘图定、不是固定值。

如果拐点不明显，再补两个判断手段：

DimHeatmap 看结构。 逐个主成分画热图，能清楚看出前面的 PC 有明显的「一半细胞高、一半细胞低」的分块结构，越往后越糊成一片噪声——糊掉的那些就不用留。
```
DimHeatmap(seu, dims = 1:15, cells = 500, balanced = TRUE)
```
宁可略多，不要偏少。 下游聚类对「多留几个 PC」相当稳健，多出来的弱信号影响有限；而留太少会把本该分开的细胞类型压到一起，是更严重的错误。拿不准时，在肘图拐点基础上再多留几个更保险。

主成分取太少	主成分取太多
不同细胞类型被压进同一群，分不开	引入噪声维度，一般影响不大
后果重、难察觉	后果轻、较稳健
应尽量避免	拿不准时宁可偏这边

定好的 N，会作为 dims = 1:N 一路用到后面的建图、聚类和 UMAP，三处保持一致。

第三步：建近邻图、做聚类

聚类分两步：先在前 N 个主成分构成的空间里，给每个细胞找最近的一批邻居、连成图（KNN / SNN 图），再在图上做社区发现，把连得紧的细胞划成一群。

# dims 用第二步定好的主成分个数（这里以 30 为例）
seu <- FindNeighbors(seu, dims = 1:30)

# resolution 越大，分出的 cluster 越多
seu <- FindClusters(seu, resolution = 0.5)

关于 resolution（分辨率），这是全流程里最需要「多试几个值」的参数：

它直接控制分群的粗细。 调小，相邻的群会合并、群数变少；调大，一个群会被切成更细的亚群。
没有唯一正确的分辨率。 Seurat 官方对几千个细胞的数据常用 0.4～1.2 作为起点，这是常用范围、按数据量和目的调：细胞多、想看精细亚型就往大调，只想分几个大类就往小调。
用 clustree 看分群随分辨率怎么变化。 把多个分辨率的聚类结果串起来看，稳定的真实群体在一段分辨率区间内都稳稳存在，而「过度切分」出来的亚群往往一会儿冒出来、一会儿又并回去，缺乏稳定性。
```
# 先在一串分辨率上各聚一次
seu <- FindClusters(seu, resolution = c(0.2, 0.4, 0.6, 0.8, 1.0))

library(clustree)
clustree(seu, prefix = "RNA_snn_res.")
```
prefix 要对上聚类结果在 meta.data 里的列名前缀（用 RNA assay 时通常是 RNA_snn_res.，用 SCTransform 则是 SCT_snn_res.）。先用 colnames(seu@meta.data) 核对一下再填。

分辨率的最终定夺，不能只看图好不好看，要结合已知 marker 和生物学预期：分出来的每一群若都能找到可解释的标志基因、对得上预期的细胞类型，这个分辨率就合适；若某些群找不出任何独特 marker，多半是切过头了。

UMAP 与 tSNE 的参数怎么理解

UMAP 和 tSNE 都是非线性降维，作用只有一个——把前 N 个主成分的高维结构摊到二维上，方便肉眼看群。它们都跑在 PCA 空间上、只用于可视化，不参与前一步的聚类计算（聚类早在 FindClusters 就算完了）。

# 两者都吃同样的 dims；换句话说，看到的图是同一套聚类的两种画法
seu <- RunUMAP(seu, dims = 1:30, n.neighbors = 30, min.dist = 0.3)
seu <- RunTSNE(seu, dims = 1:30, perplexity = 30)

DimPlot(seu, reduction = "umap", label = TRUE)

它们各有一两个决定「图长什么样」的参数：

参数	属于	默认（常见值）	调大会怎样	调小会怎样
`n.neighbors`	UMAP	30	更看重全局结构，群间关系更连贯	更看重局部，容易碎成小块
`min.dist`	UMAP	0.3	点摊得更开、更松散	同群点挤得更紧、团更实
`perplexity`	tSNE	30	每个点参考更多邻居，偏全局	偏局部，易出许多小碎团

perplexity 可以粗略理解为「tSNE 为每个点考虑的有效邻居数」，一般设在 5～50 之间，且要明显小于细胞总数。这些默认值适用于大多数情况，先用默认跑，图能清楚看出群就不用动。

无论 UMAP 还是 tSNE，有三条底线一定要记住，否则很容易过度解读：

群与群之间的距离没有定量意义。 图上两个群离得远，不代表它们在生物学上差异就大；离得近也不代表相似。二维只是一种压缩投影。
群的大小、形状也不可当真。 一个群在图上占地大，不代表细胞数多或更重要。
换随机种子，图会变。 UMAP / tSNE 有随机性，为了结果可复现，正式出图前固定随机种子（如 set.seed()），并把参数写进方法学。

一句话：UMAP / tSNE 是「看群的放大镜」，不是「量距离的尺子」。 判断细胞类型间关系，要回到 marker 和表达谱，而不是数二维图上的远近。

怎么判断降维聚类是否合理

参数调完，最后要回答一个问题：这套分群是反映了真实的生物学，还是被技术因素带偏了？下面这套自检，逐条过一遍：

群是不是被技术变量定义的？ 把 UMAP 按线粒体比例、总 UMI 数、样本 / 批次分别上色。如果某一群恰好就是「线粒体特别高的细胞」或「全来自某一个样本」，那它多半是低质量细胞残留或批次效应，而不是真实细胞类型。
```
FeaturePlot(seu, features = c("percent.mt", "nCount_RNA"))
DimPlot(seu, group.by = "orig.ident")   # 按样本上色，看是否某群只来自单一样本
```
每群有没有可解释的 marker？ 跑 FindAllMarkers，好的分群里每一群都能找出一小批独特、且生物学上讲得通的标志基因。若某群找不出任何特异 marker，通常是切过头的假群。
换个主成分个数还稳不稳？ 把 dims 上下浮动几个（如 25、30、35）重跑，真实的主群体结构应基本不变。一动就散、就重排的结构，说明对参数太敏感、不可靠。
换个分辨率还在不在？ 借上一节的 clustree，看目标群在一段分辨率区间内是否稳定存在。
警惕「桥」状的中间群。 两个大群之间架着一小撮「过渡态」细胞时，先怀疑是双细胞（两个细胞混进一个液滴，表达谱被平均）冒充的假中间态，而非真的连续分化。双细胞的识别见下面的相关教程。

判断合理与否没有单一数字标准，但方向很清楚：真实的群体，经得起「换参数、换配色、看 marker」的反复检验；一碰就变、找不出 marker、或与某个技术变量高度重合的群，都要回头审视。降维聚类是可以迭代的——发现问题就回到对应参数（高变基因、主成分、分辨率）重来一遍即可。

在平台上跑一遍

上面这套调参与自检，在百沐一下不写代码也能完成：上传标准化后的单细胞对象，用一句话说清意图——例如「帮我做降维聚类，选合适的主成分个数和分辨率，并检查分群是否被批次带偏」，组学智能体会自动挑高变基因、给出肘图与多分辨率对比，画好 UMAP / tSNE，并把「按线粒体、按样本上色」的诊断图一并列出来让您判断合理性，同时附上可复现的 R 代码。功能说明见组学智能体使用指南，或直接到 app.baimuyixia.com 传一份数据试跑。