PCA

你指出的“20000个基因中必然存在混合情况（既有线性相关，也有非线性关系）”是基因表达数据分析中的核心现实问题。

在20000个基因的真实数据中：

• ✅ 确实存在线性相关的基因（如同一通路、蛋白复合物亚基、共调控基因）
• ✅ 确实存在无法用线性表示的关系（如非线性调控、开关式响应、反馈回路、饱和效应）
• ✅ 更多的是混合状态：部分区间线性、部分区间非线性；或因实验条件不同而变化

2. 实际数据中PCA会怎么表现？

真实关系类型	PCA反应	后果
强线性相关（r > 0.7）	✅ 很好捕捉，形成清晰主成分	正确，有用
弱线性相关（0.3 < r < 0.7）	⚠️ 勉强捕捉，但与其他噪声混合	可能被稀释或拆分
非线性相关（r ≈ 0，但有互信息）	❌ 完全忽略	丢失重要生物学关系
完全无关	忽略（正确）	无问题

首先是样本

3. 真实场景举例（转录组数据）

假设你在分析某种癌症vs正常组织：

能被PCA捕捉的线性关系：

• 核糖体蛋白基因（如RPS3、RPL4、RPL7等）：通常一起线性上调
• 氧化磷酸化基因（如COX、ATP合成酶亚基）：通常一起线性下调
• 某个转录因子的靶基因集合：表达量与转录因子mRNA大致线性相关

PCA会漏掉的非线性关系：

• p53靶基因：p53在DNA损伤时指数级激活 → 表达量与损伤程度非线性
• 缺氧诱导因子HIF1A靶基因：低氧时才激活，常氧时沉默 → 开关式（Sigmoid）
• miRNA-mRNA调控：往往是非线性抑制（阈值效应、饱和度）
• 反馈回路（如NF-κB）：振荡、延迟、非线性响应

任务	推荐方法	原因
初步探索、质控、去批次	PCA（线性）	快速、可解释、计算快
捕捉非线性结构	t-SNE / UMAP / PHATE	能发现非线性聚类、流形
基因模块发现	WGCNA（加权基因共表达网络）	既能找线性也能找非线性（基于相关性+软阈值）
非线性相关检测	互信息（MI）、距离相关（dCor）	不假设线性
同时处理线性和非线性	核PCA、自编码器（Autoencoder）	在PCA基础上扩展非线性

非线性关系不是在特征分解这一步被删除的，而是在更早的步骤——计算协方差矩阵时就已经被丢弃了。

第2步：计算协方差矩阵（非线性消失的地方）

$C=\frac{1}{n-1}{X}_{\text{centered}}^T{X}_{\text{centered}}$

协方差矩阵的每个元素：
$C_{ij}=\frac{1}{n-1}{\sum }_{k=1}^n(x_{ik}-{\bar{x}}_i)(x_{jk}-{\bar{x}}_j)$

关键洞察：
这个求和公式只保留了成对样本点乘积的线性平均。
如果基因i和基因j之间存在非线性关系（例如 $x_j=x_i^2$），在计算 $C_{ij}$ 时，所有非线性特征被压缩成了一个单一数字——皮尔逊相关系数。

具体例子：非线性数据进入协方差矩阵时发生了什么？

假设两个基因的真实关系是完美的抛物线：
$y=x^2\text{（非线性，r=0）}$

x	y = x²	乘积 (x-$\bar{x}$)(y-$\bar{y}$)
-2	4	(-2-0)(4-2.5) = -2 × 1.5 = -3
-1	1	(-1-0)(1-2.5) = -1 × -1.5 = 1.5
0	0	(0)(-2.5) = 0
1	1	(1)(-1.5) = -1.5
2	4	(2)(1.5) = 3

求和 = 0 → 协方差 = 0

非线性关系就这样被平均掉了。协方差矩阵只记住了”线性不相关”，完全丢失了”完美的二次函数关系”这个信息。

确实有关系 但是现在看不到了

尽管只能捕捉线性关系，PC1仍然能回答几个极其重要的问题。 让我分层说明：

第一层：PC1回答了”数据最大变异方向是什么”

在基因表达数据中，PC1通常能告诉你：

• 实验组vs对照组的主要差异（如果设计良好）
• 样本的主要分群原因（如癌症vs正常、处理vs未处理）
• 样本间的最大差异来源（如时间序列的早期vs晚期）

第二层：PC1的载荷向量告诉我们”哪些基因线性协同变化”

PC1的载荷（loading）是一个向量，每个元素对应一个基因的权重：

能从PC1读出的信息：

• 基因模块：载荷绝对值大的基因 → 在样本间线性协同变化 → 可能属于同一调控模块
• 关键驱动基因：最大载荷对应的基因 → 可能是该差异过程的中心节点

3. 用实际例子说明（转录组癌症数据）

假设你分析乳腺癌数据（20000个基因，100个样本）：

做PCA后得到：

• PC1解释了45%的方差
• PC1载荷：ESR1（雌激素受体）基因载重 +0.32，PGR +0.28，ERBB2 -0.35 …

你能回答的问题是：

问题	能否从PC1回答	是否准确
样本是否按ER阳性/阴性分群？	✅ 是	准确（如果主导差异是ER状态）
哪些基因与ER状态线性相关？	✅ 是	准确（载荷大的基因）
ER与下游靶基因是否线性相关？	⚠️ 部分	能，但忽略非线性调控
ER与某个基因是否存在反馈环路？	❌ 不能	反馈通常非线性

---

4. 关键警告：PC1不能说明什么

正是因为PCA只能捕捉线性关系，所以：

• ❌ 不能说”PC1上距离远的样本，真实生物学差异就一定大”（可能是非线性扭曲）
• ❌ 不能说”载荷小的基因就与样本分类无关”（可能是非线性相关）
• ❌ 不能说”变量间只有PC1展示的这些关系”（非线性关系被隐藏了）

---

5. 实际工作中的处理策略

因为你知道这些局限，专业的分析流程会这样做：

第1步：做PCA（快速获得线性概览）
       ↓
     解读PC1：找出主导变异和线性共表达模块
       ↓
第2步：补充分析（捕捉非线性）
   - t-SNE/UMAP（非线性聚类）
   - 互信息分析（检测非线性关联）
   - 对于载荷大的基因对，做散点图检查是否真的线性
       ↓
第3步：综合结论
   - PCA发现的线性关系 + 非线性方法发现的补充关系

PCA会“欺骗”你的6种情况

1. 数据中存在强非线性结构 → PCA骗你说“没结构”

• 表现：散点图呈现圆弧形、同心圆、两条平行线等，但PCA的PC1-PC2图显示一团混乱
• 误导：你以为样本之间没有差异，实际上差异很大（只是非线性）
• 经典案例：一个圆形分布的数据（如细胞周期），PCA会给出PC1和PC2几乎等方差的圆形点云，让你觉得没有结构

2. 方差大的噪声变量掩盖真实信号 → PCA让你追着噪声跑

• 表现：某个与生物问题无关的变量（如测序深度、批次效应）方差极大 → PC1完全被它占据
• 误导：你以为PC1反映了重要生物学差异，实际全是技术噪声
• 解法：先标准化、去批次，或者用限制性PCA（如去除高方差但不感兴趣的成分）

3. 异常值（Outliers）绑架主成分 → PCA把异常当成主要结构

• 表现：1-2个离群样本主导了PC1方向
• 误导：你认为PC1是主要群体差异，其实是某个样本数据质量问题
• 解法：先做稳健PCA（robust PCA）或去除异常值

4. 不同变量尺度差异巨大 → PCA让最大尺度的变量说了算

• 表现：不标准化直接做PCA，表达量范围大的基因（如0-100000）支配PC1，低表达基因被忽略
• 误导：你以为重要基因是那些高表达基因，实际上可能只是它们波动大
• 解法：标准化到均值为0、方差为1

5. 数据维度远高于样本量（p >> n） → PCA给出不可靠的方向

• 表现：基因数20000，样本数只有10 → 协方差矩阵是奇异的，前几个PC方向由噪声主导
• 误导：你发现的前几个PC在另一个重复实验中完全不可重复
• 解法：用正则化PCA（如sparse PCA）、增加样本量，或先用filter去除低变化基因

6. 过度解读主成分的“生物学意义” → PCA让你编故事

• 表现：PC2的载荷散点图上，你看到某个感兴趣的基因载荷0.15，就大谈特谈它的作用
• 误导：载荷大小受原始方差、噪声、样本量等多因素影响，小载荷可能只是噪声
• 解法：做置换检验（permutation test）判断PC方向是否显著；载荷需结合生物学验证

---

最容易踩坑的两个场景（转录组）

场景	PCA给的图	你可能怎么被骗	真实情况
批次效应 > 生物学差异	样本按批次完美分开（PC1=批次）	“我的实验处理有效果！”	只是不同天测序的技术差异
一个样本测序深度异常	该样本单独在PC1远端	“这是一种新的分子亚型！”	可能是文库制备问题

---

一句话判断：PCA什么时候可信？

当且仅当：数据的主要结构近似线性、无异常值、无批次效应、变量尺度可比、样本量足够时，PCA的结果才可信。

如果不满足这5条中的任何一条，PCA的结果就需要审慎解读或完全不依赖。

---

实操建议：如何避免被PCA欺骗

1. 总是先做数据诊断：

   • 画每个变量的分布（检查是否有离群点）
   • 计算成对散点图矩阵（检查是否有明显非线性）
   • 用平行坐标图（parallel coordinates）看异常样本

2. 总是做对比验证：

   • PCA + t-SNE/UMAP一起做，如果两者一致性高 → 可信；不一致 → 非线性结构存在，PCA不可信
   • 如果用标准化和不标准化结果差异大 → 被尺度欺骗了

3. 总是问自己三个问题：

   • 方差最大的方向真的是我关心的生物学问题吗？
   • 如果去掉一个样本，PCA结果会剧变吗？（Jackknife 重抽样检验）
   • 重复实验能看到同样的PC结构吗？

---

最经典的“欺骗”案例（供你记忆）

有人用PCA分析一个完美圆形分布的数据（如$X=\cos \theta ,Y=\sin \theta$），发现PC1解释50%方差，PC2解释50%方差，两个成分得分画出来是一个圆。
他结论：“没有结构。”
真相： 数据有完美的圆形结构，只是线性方法看不见。

记住：PCA看不见 ≠ 不存在。

如果你想深入，我可以给你演示如何用模拟数据，亲手制造一个“PCA欺骗你”的例子，或者解释核PCA如何避免这个问题。