数据处理

**MDS（多维尺度法）和PCA（主成分分析）**都是常见的数据降维方法，广泛应用于数据可视化和特征提取。它们的目的是将高维数据映射到低维空间，以便更好地进行可视化和后续分析，但它们的原理和应用场景有所不同。下面我将详细比较它们的异同，并讨论它们的应用场景。

MDS（多维尺度法）和PCA的异同

特征	MDS	PCA
目标	主要关注保持数据点之间的距离关系。	通过方差最大化，将数据投影到一个新的正交坐标系中。
核心原理	基于距离矩阵，通过优化算法保持原始数据点间的相对距离。	基于协方差矩阵，通过特征值分解来选择主成分。
输入数据要求	距离矩阵或相似度矩阵（可以是任意度量空间的距离）。	原始数据矩阵（特征矩阵），通常是数值型数据。
降维方式	非线性降维方法。	线性降维方法。
假设	只关注距离或相似度信息。	假设数据的最大方差方向最为重要。
计算复杂度	计算复杂度较高，因为需要进行优化过程。	计算复杂度相对较低，主要是线性代数操作（特征值分解）。
可解释性	降维后的维度较难解释，更多依赖于保持距离关系。	可以清晰地解释每个主成分的含义和方差贡献。
结果的稳定性	可能受初始化和距离度量的影响，结果可能不稳定。	结果稳定，不受初始化的影响。

详细比较

1. 目标和核心原理

• PCA 通过寻找数据的主成分方向（方差最大化），将数据映射到这些方向上。它使用线性变换来减少维度，尽量保持原始数据中的方差。
• MDS 关注的是保留数据点之间的距离或相似度结构。它将高维数据的距离关系尽可能地保留在低维空间中，但这种映射通常是非线性的。

2. 输入数据

• PCA 输入的是原始数据矩阵（通常是数据的特征矩阵），而MDS 输入的是距离矩阵或者相似度矩阵，并且这种矩阵可以是通过其他方法计算得到的。

3. 降维方法的线性与非线性

• PCA 是一种线性降维方法，假设数据的方差最能代表数据的重要结构。
• MDS 是一种非线性降维方法，它会尽量保留点之间的相对距离，因此对于非线性数据更为适用。

4. 可解释性

• PCA 的主成分是易于解释的，因为每个主成分都表示了数据的一个方向，且可以通过其方差来衡量其重要性。
• MDS 的结果则较难解释，降维后的数据只是为了最小化点之间的距离误差，而并未给出每个维度的明确含义。

5. 计算复杂度

• PCA 计算复杂度较低，通常通过特征值分解等线性代数方法来求解，适合大规模数据。
• MDS 的计算通常需要优化过程（例如，最小化压力函数），计算复杂度较高，适合小规模数据。

应用场景

1. PCA（主成分分析）应用场景

• 数据压缩：通过减少维度来保留数据的主要特征，减少存储和计算的开销。
• 特征选择：在高维数据中，PCA可以帮助找到最重要的特征（主成分），以便后续分析。
• 去噪：PCA通过去除方差较小的成分，可以去除数据中的噪音，提高后续模型的准确性。
• 可视化：通过降到2维或3维，可以用来进行数据的可视化（尤其在高维数据集上，如图像数据、基因数据等）。

2. MDS（多维尺度法）应用场景

• 数据可视化：MDS常用于从距离矩阵出发进行可视化，尤其是在没有明确特征（如原始特征矩阵）的情况下，例如，基于样本之间的相似度或不相似度来可视化数据。
• 相似度分析：当数据主要表现为对象之间的相似度或距离（如社交网络、推荐系统中的用户之间的关系）时，MDS可以有效地用来降维并进行可视化。
• 群体结构探索：在基因组学或生态学等领域，MDS可用来分析物种或样本之间的距离关系，揭示潜在的群体结构或分类。

3. 共同应用

• 数据探索：两者都可以用于数据集的初步探索，帮助研究者理解数据的潜在结构。
• 高维数据可视化：无论是PCA还是MDS，降维后的数据都可用来进行可视化，帮助理解高维数据的全貌。

如果你的数据有明确的线性结构，或者你希望保留数据的最大方差信息，那么PCA是更好的选择。如果你只关心样本之间的相似度或距离关系，或者数据中存在非线性结构，那么MDS可能更适合。

MDS 的优势：
MDS 更关注样本之间的相对距离，因此它能够直接反映样本之间的相似度或差异，而不是基于方差。这对于基因表达数据来说尤为重要，因为我们常常更关心的是样本间的关系，而不仅仅是数据的方差。
MDS 通过优化过程保留原始数据中样本间的距离结构，这意味着它可以更好地展示不同样本群体之间的关系，特别是在样本之间有显著差异时。
3. 为什么limma使用plotMDS而不是plotPCA
生物学角度：在基因表达数据的分析中，我们通常关注的是样本之间的相似性和差异性，而MDS能够直接反映这一点。通过计算样本之间的距离（如欧氏距离、皮尔逊相关性等），MDS能更好地展示样本群体的分布情况。
数据类型：基因表达数据通常有很多噪声，MDS比PCA更适合处理这种类型的高维数据。它能够更好地展示出样本之间的相对关系，尤其是在没有明显主成分的情况下。
计算效率：MDS虽然是非线性方法，但**它不依赖于假设数据的主成分方向，**这使得它在某些情况下能够更准确地揭示数据的结构。

1. 为什么中位数一致无法反映批次效应？

批次效应（Batch Effect）是指由于实验过程中不同批次的技术或操作差异，导致样本之间的系统性偏差。这些偏差可能是由于时间、实验人员、设备、试剂等因素引起的，不一定表现为单一的中位数差异。下面是一些原因，说明为什么即使中位数一致，也无法完全反映批次效应：

2. 如果不需要中位数归一化，选择了中位数归一化对结果的影响

即使你不需要进行中位数归一化，选择使用它也会对最终结果产生一定的影响。下面是一些可能的影响：

a. 可能引入不必要的变动

• 中位数归一化的基本思想是将每个样本的表达值除以该样本的中位数，从而使每个样本的中位数为1。这实际上是调整样本的全局表达水平。
• 如果你本来不需要进行归一化（例如，数据已经没有明显的技术性偏差，样本之间的差异已经可以直接反映生物学意义），那么通过中位数归一化，会人为地调整每个样本的表达水平，导致某些基因的真实差异被压缩或扭曲。
• 中位数归一化的作用是消除样本间的总表达水平差异。如果样本间的差异本身就与生物学差异相关，那么归一化后，可能会抹平这种差异，从而影响后续分析的敏感性。

e. 归一化的适应性问题

• 如果你的数据本身已经很干净，没有显著的批次效应或其他技术性问题，那么中位数归一化可能是不必要的，甚至会降低数据的表达能力。对于此类数据，直接使用原始数据进行分析通常更能反映真实的生物学差异。
• 在这种情况下，选择中位数归一化可能会使分析结果变得不准确，特别是在用来检测群体间差异时，可能会降低统计功效（即增加假阴性的风险）。

有时，这两者是共存的，即部分异常点既可能包含生物学差异，又可能受到技术性误差的影响。在这种情况下，我们需要采取一些方法来处理这种复杂的情况。下面将讨论如何判断这些异常点，并提供一些应对策略。

1. 如何判断异常点是技术噪声还是生物学差异

a. 图形化分析

• 箱形图（Boxplot）：通过查看箱形图中的异常点，可以初步判断异常点是否可能是技术噪声。
  • 如果异常点集中在某些特定的样本组或者蛋白上，且该蛋白没有显著的生物学背景支持，可能是技术性噪声。如果异常点在不同组之间广泛分布，并且与样本组间的差异有明显关联，可能是生物学差异。
• 散点图（Scatterplot）：散点图可以帮助判断数据是否有系统性的偏差。例如，在PCA或MDS图中，如果某些样本（或蛋白）从其他样本中明显分离，且没有明确的分组标签（如处理组与对照组），这可能是技术噪声的表现。

b. 统计分析

• 差异表达分析（Differential Expression Analysis）：使用如 limma、DESeq2 等方法进行差异分析。如果某些蛋白的高低表达水平仅在某一组中显著，并且没有在其他组间呈现类似的趋势，可能是生物学差异。反之，如果某些蛋白在所有组中都表现出高度的变异，可能是技术噪声。
• 方差分析：如果某些蛋白的变异性远高于其他蛋白，且这种变异性在所有组中都存在，可能是实验中的技术噪声。相反，如果蛋白的变异性在某些组间更大，可能反映了生物学差异。

c. 数据质量控制

• 重复性检查：通过检查实验的重复性（例如技术重复），可以帮助判断异常值是否是技术性误差。如果某些异常点在技术重复中不断出现，可能意味着这些异常点具有生物学意义；如果它们在不同的技术重复中波动较大，则可能是技术噪声。
• 质控指标（QC）：蛋白质组学中，使用质控指标（如质谱分析中的基线噪声、信号强度）可以帮助判断异常点是技术噪声还是生物学差异。若某些异常点出现在低信噪比的蛋白上，可能是技术问题。

d. 数据的整体分布

• 如果数据在某些蛋白质上出现的异常点与整体数据分布明显不一致，且异常点在多个样本或实验中重复出现，可能是技术噪声。
• 如果异常点与组间的实验设计相一致（例如处理组与对照组之间的显著差异），那么这些异常点可能是生物学差异。

2. 如果异常点同时包含技术噪声和生物学差异，如何处理？

在实际的蛋白质组学数据中，往往会遇到技术噪声和生物学差异共同存在的情况。处理这些异常点时，可以采取以下策略：

a. 分离技术噪声与生物学差异

• 数据归一化：对数据进行适当的归一化处理（如 中位数归一化、Z-score归一化、quantile归一化 等），可以帮助减少技术噪声对结果的影响。通过归一化，使得不同样本的表达水平更为一致，有助于在统计分析中更好地分辨真实的生物学差异。

• 批次效应校正：如果怀疑异常点是批次效应引起的，可以使用一些批次效应校正方法

• 去除明显的异常值：如果在数据质控和统计分析中发现某些异常值明显偏离正常的分布，且经过其他质量控制检查后仍然被认为是技术噪声，可以选择去除这些点。但需要注意的是，在去除异常值时要小心，确保不误删具有生物学意义的极端数据。

b. 增强统计功效以识别生物学差异

• 可以通过 严格的统计阈值（如调整p值、q值、Fold Change）来确保真正的生物学差异不会被技术噪声掩盖。例如，设定较低的p值（如p < 0.01）和较高的Fold Change值来增强对差异的识别。

c. 生物学验证

d. 降噪和稳健分析

• 稳健统计方法：使用一些稳健的统计方法（如 robust regression，quantile regression），这些方法能够有效减少异常值的影响，同时保留数据中的真实信号。
• 集成方法：一些方法通过集成不同的模型或算法（如随机森林、支持向量机等）来增强对异常点和生物学差异的区分能力，从而减少技术噪声对结果的干扰。

1. 判断异常点是否为技术噪声或生物学差异：

   • 通过可视化分析（箱形图、散点图、热图等）、统计检验（差异表达分析、方差分析）以及数据质量控制（如重复性检查、质控指标）等方法，初步判断异常点的来源。

2. 处理共存的技术噪声和生物学差异：

   • 使用数据归一化、批次效应校正等方法减少技术噪声的影响。
   • 使用稳健的统计方法和严格的统计阈值来确保对生物学差异的敏感性。
   • 通过生物学验证进一步确认异常点是否具有生物学意义。