别再混淆了！一文讲透单细胞分析中‘整合用’和‘差异分析用’的高变基因（HVG）到底有啥不同
别再混淆了！一文讲透单细胞分析中‘整合用’和‘差异分析用’的高变基因（HVG）到底有啥不同
在单细胞转录组分析中，高变基因（Highly Variable Genes, HVG）的筛选是一个关键步骤。许多研究者在使用Seurat等工具时，会发现高变基因的计算在数据整合（Integration）和差异分析（Differential Expression, DE）两个阶段都被调用，这常常引发困惑：这两次筛选的高变基因是同一个概念吗？它们的筛选标准和目的有何不同？理解这一点对于正确设计分析流程和解读结果至关重要。
1. 高变基因的基本概念与作用
高变基因是指在细胞群体中表达水平变异较大的基因。这些基因通常具有以下特征：
- 表达量适中：既不是普遍低表达（可能包含技术噪音），也不是普遍高表达（可能为管家基因）
- 变异系数高：基因在不同细胞间的表达差异显著
- 生物学意义明确：往往与细胞类型、状态或功能特化相关
在单细胞RNA测序（scRNA-seq）分析中，高变基因主要发挥两大作用：
- 降维与可视化：作为PCA、t-SNE或UMAP等降维方法的输入特征
- 差异分析：作为寻找组间差异表达基因的候选集
有趣的是，这两个用途对高变基因的筛选标准其实有着微妙但重要的区别。
2. 整合阶段的高变基因：搭建可比平台
数据整合是多样本单细胞分析中的关键步骤，旨在消除技术批次效应，使不同样本的细胞能够在同一空间进行比较。这一阶段的高变基因筛选有其特殊考量：
2.1 整合用HVG的核心目标
- 跨样本一致性：寻找在各样本内部都表现出高变异的基因
- 技术噪音过滤：优先选择变异可能反映真实生物学差异的基因
- 覆盖广度：通常选择较多基因（如3000-5000个）以确保平台可比性
2.2 常用算法与参数设置
Seurat中常用的FindVariableFeatures函数在此阶段通常采用以下配置：
# 整合阶段的高变基因筛选 seurat_obj <- FindVariableFeatures( seurat_obj, selection.method = "vst", # 或"mean.var.plot" nfeatures = 4000 # 通常设置较大值 )关键参数说明：
| 参数 | 推荐值 | 作用 |
|---|---|---|
| selection.method | "vst" | 基于方差稳定变换的方法，考虑均值-方差关系 |
| nfeatures | 3000-5000 | 确保足够多的锚点基因用于整合 |
提示：整合阶段不宜设置过少的HVG数量，否则可能导致重要生物学变异在整合过程中丢失。
3. 差异分析阶段的高变基因：聚焦生物学信号
在完成数据整合和细胞聚类后，差异分析阶段的高变基因筛选有着不同的侧重点：
3.1 差异分析用HVG的特殊考量
- 聚类特异性：关注在特定细胞亚群中表现出差异的基因
- 信号强度：偏好组间差异显著的基因
- 数量控制：可能选择较少基因（如1000-2000个）以减少多重检验负担
3.2 典型工作流程示例
# 差异分析前的HVG筛选（通常在分群后的子集进行） cluster_markers <- FindMarkers( seurat_obj, ident.1 = "Cluster1", ident.2 = "Cluster2", min.pct = 0.25, # 在至少25%的细胞中表达 logfc.threshold = 0.25 # 对数倍变化阈值 )关键差异点对比：
| 特征 | 整合用HVG | 差异分析用HVG |
|---|---|---|
| 主要目的 | 构建可比空间 | 发现组间差异 |
| 基因数量 | 较多(3000-5000) | 较少(1000-2000) |
| 筛选标准 | 跨样本一致性 | 组间差异性 |
| 算法侧重 | 整体变异度 | 特异性表达 |
4. 为什么需要两步走？生物学与统计学逻辑
理解这两步高变基因筛选的区别，需要从单细胞分析的底层逻辑出发：
4.1 技术必要性
整合阶段：需要足够多的"锚点"基因来校正批次效应
- 类似于多人合影时的对齐标记点
- 太少会导致整合不充分，太多会引入噪音
差异分析：需要严格控制假阳性率
- 通过预先筛选减少多重检验次数
- 聚焦最可能具有生物学意义的基因
4.2 生物学合理性
- 整合基因：反映细胞基本特征（如代谢、基本结构）
- 差异基因：反映特定功能或状态（如激活标记、分化轨迹）
一个实用的检查方法是比较两个阶段的高变基因重叠程度：通常会有30-50%的重叠，这既保证了分析的一致性，又体现了不同阶段的侧重点。
5. 实战建议与常见误区
基于实际项目经验，以下是几个关键建议：
5.1 参数优化策略
整合阶段：
- 对于异质性强的数据集，增加nfeatures
- 使用
vst方法处理测序深度差异大的样本
差异分析：
- 根据细胞类型调整min.pct阈值
- 对小群体细胞使用更严格的logfc阈值
5.2 质量评估方法
整合效果检查：
# 查看批次效应去除情况 DimPlot(seurat_obj, reduction = "umap", group.by = "batch")差异分析验证：
# 检查标记基因的表达模式 FeaturePlot(seurat_obj, features = c("CD3D", "CD79A"))
5.3 常见错误规避
- 错误1：使用整合阶段的HVG直接进行差异分析
- 后果：可能遗漏重要的特异性标记基因
- 错误2：在差异分析阶段设置过高的nfeatures
- 后果：增加假阳性率，降低结果的可信度
- 错误3：忽视两个阶段HVG列表的重叠检查
- 后果：可能掩盖技术批次残留或分析不一致
在实际分析中，我发现一个有用的技巧是保存两个阶段的HVG列表并进行比较。这不仅能验证分析流程的合理性，有时还能揭示有趣的技术或生物学现象。例如，那些只在差异分析阶段出现的高变基因，往往与特定的细胞状态或功能密切相关。