轻量模型部署实战：3.8B开源模型从能跑到跑稳
2026/10/14 4:50:57
一、归一化
为什么要归一化：在得到最终的UMI计数前的每一步，从捕获、逆转录到测序，都会对最终结果产生影响，即使两个细胞某基因的表达实际没有差异，也可能在上述步骤中随机产生误差。所以要通过归一化尽可能减少抽样误差的影响，有很多归一化的方法，我们对其中几种进行介绍。
1.常用的归一化法--文库大小归一法
1.1相关概念
①文库大小：单个细胞所有基因计数总和，即UMI计数总和。
②所有细胞的平均文库大小：所有细胞UMI总数的算数平均值，即所有细胞的平均文库大小
③大小因子（Size factor):每个细胞的观测UMI总数相对于所有细胞平均UMI总数的大小。
| 细胞 | UMI总数 | Size factor | 含义 |
| A | 2000 | 0.5 | 文库大小为平均值的50% |
| B | 4000 | 1 | 文库大小等于平均值 |
| C | 6000 | 1.5 | 文库大小为平均值的150% |
以上面3个细胞简单举例（假设这就是样本的全部细胞）
- 所有细胞的平均文库大小=（2000+4000+6000）÷3=4000
- A细胞的大小因子=2000÷4000=0.5
- B细胞的大小因子=4000÷4000=1
- C细胞的大小因子=6000÷4000=1.5
1.2利用Size Factor进行归一化
归一化：将每个细胞的UMI总数根据比例，调整到所有细胞的平均文库大小。
- 即细胞A：UMI总数2000→UMI总数4000
- 细胞B：UMI总数4000→UMI总数4000
- 细胞C：UMI总数6000→UMI总数4000
| gene1原先的UMI | 归一化后gene1的UMI | |
| 细胞A | 6 | 12 |
| 细胞B | 6 | 6 |
| 细胞C | 6 | 4 |
注意：不能指望单一归一化方法适用于所有类型的scRNA-seq数据，要根据特定数据集选择合适的规范化方法
1.3移位对数变换—log（x+1） 变换
在常见的10x单细胞分析流程中，经常存在LogNormalize处理
Lognormalize=文库大小归一化+移位对数变化
- 稳定方差，压缩高表达计数的变化幅度，减弱方差随平均表达量增加而增大的现象，从而利于后续的降维和差异表达的基因的识别
2.其他归一法
- Scran反卷积归一化
- Spike-in归一化
- SCTransform
二、高变基因筛选HVG
Step1：计算数据中个基因的均值和方差
对于每个基因计算下列两项指标：
①平均UMI计数：了解每个基因的表达水平
②UMI计数方差：了解基因在细胞间的变异程度
| 基因 | 指标1：平均UMI | 指标2：UMI计数方差 |
| A | 5 | 8 |
| B | 100 | 120 |
Step2：LOESS拟合均值方差趋势
①因为表达量较高的基因会具有较大的方差，依然先对原始的均值和方差进行对数变化
②进行LOESS拟合，得到拟合曲线后，可以即根据某个基因的平均表达水平，估计其预期方差。
Step3：利用预期标准差进行标准化
在Step2中，我们已经得到了各基因的预期方差，相应地也可以得到预期标准差。接下来我们对任一细胞中的任一基因做如下变化：
分子：某个基因在指定细胞中的原始表达量，减去该基因在所有细胞中的平均原始表达量。
分母：预期的标准差
结果zij：表示第i个基因在第j个细胞中的表达值相对于该基因平均表达量的偏离程度，以LOESS预测的标准差为单位。正值表示高于均值，负值表示低于均值
- zij is the standardized value of feature i in cell j——代表第i基因中第j个细胞标准化后的表达值
- xij is the raw value of feature i in cell j——代表第i个基因中第j个细胞原始表达值
- xi is the mean raw value for feature i——代表第i个基因在所有细胞中的表达平均值
- si is the expected standard deviation of feature i derived from the global mean-variance fit.是LOESS预测标准差
Step4：计算标准化方差并进行排序
4.1忽略Clipping
忽略Clipping时，每个基因经过下面计算得到标准化方差
4.2对极高值进行clipping
有些时候，个别基因在个别细胞中的标准化值可能会出现极端的“离群值”，如果不对这有一两个极端的细胞进行限制，就会使基因的方差变得巨大。通常会人为设置标准化值的上限，减少这些极端值的影响。
Clipping上限设定：通常将标准化值 Zij的上限设定为
其中N：数据集中的细胞总数
如果如果某个基因的标准值超过了上限 ，则将其强制“截断。
4.3找到高变基因
最终我们找到标准化方差排名靠前的基因。排名越靠前意味着它们的实际表达变异程度，远远超出了由其平均表达量所决定的理论预期。这些基因就是我们梦寐以求的高变基因（Highly Variable Genes, HVGs），即最有可能携带真正的生物学异质性信号
低方差基因（如管家基因或不表达的基因）： 表达量在所有细胞中几乎保持恒定，这些基因不能帮助我们区分不同的细胞类型或细胞状态。
高方差基因： 表达量在不同细胞之间起伏剧烈。这种剧烈的波动往往对应关键的生物学差异——例如：某些基因只在 T 细胞中高表达，而不在 B 细胞中表达；或者某些基因在细胞周期的特定阶段才被激活。