生物信息聚类与关联预测：能力导向领域知识地图

阶段一｜问题翻译：对象、观测与输出

说清楚模型究竟要解决什么问题

• 研究对象：现实是什么（样本、特征、节点、观测对象）

  • 细胞和spot
    • 聚类或空间识别的观测单位
  • 基因
    • 组学聚类中的特征（例：空间转录组 spot x 基因）
    • 关联预测中的实体（例：基因与疾病的关联）
  • 药物、靶点和疾病
    • 关联预测中的实体或样本

• 观测：仪器测量结果或者数据库记录

  • 单位：对谁记录
  • 保留与遗漏：不同的数据观测层，其蕴含的信息不同，能够得到的结论也不同
  • 数据模态：序列、空间关系、网络关系。这三种不同的观测方式决定了其不同的隐藏信息，也注定了它能够得到什么样的输出

• 输出：预测单位最终对应的簇编号、类别、连续数值或排序分数

研究对象	采用的观测	模型因此获得的信息	基于该观测可得到的典型结果	仍然遗漏或不能直接证明的内容
细胞	单细胞基因表达计数	每个细胞中被检测到的转录活动	细胞簇、候选细胞状态、候选细胞类型	蛋白水平、完整调控机制；表达为0不一定代表生物学上不存在
空间spot	基因表达＋空间坐标	局部表达状态、组织位置和邻域关系	空间域、组织边界候选、空间表达模式	spot内部的细胞混合、精确细胞身份、直接功能机制
蛋白质	氨基酸序列	残基种类、排列顺序和序列模式	蛋白家族或功能候选、结构或相互作用预测	实际三维构象、细胞环境和直接实验相互作用
药物	SMILES或分子图	原子、化学键和二维拓扑结构	分子性质预测、药物—靶点作用分数、候选药物排序	实际三维构象、剂量、药代、毒性和真实疗效
蛋白质	PPI网络中的节点及邻居	已记录的蛋白关系和网络位置	功能模块、候选互作蛋白、网络角色	网络边不一定代表直接物理结合，也不能单独证明作用机制
药物、靶点或疾病	关联矩阵或关系图	已记录关系、未记录关系和网络结构	候选关联分数、链接预测结果、候选优先级排序	数据库空白不等于真负例；高分不等于因果、疗效或机制成立

• 任务接口

  • 聚类
    • 输出：给每个输出单位分配一个簇
    • 例子：给每个细胞分配一个簇
  • 分类
    • 输出：类别或类别概率
    • 例子：判断疾病-基因是否有关系
  • 回归
    • 输出：连续数值
    • 例子：预测蛋白质与药物的亲和度
  • 排序
    • 输出：候选对象优先级排序
    • 例子：针对某种疾病，为候选药物排序
  • 链接预测
    • 输出：两个实体之间是否可能存在未知关系
    • 例子：预测药物—疾病网络中缺失的候选边

• 任务合同

  • 研究问题： 想回答什么问题
  • 预测单位： 对谁作出一次判断
  • 输入： 模型能够看到什么
  • 目标： 模型应当学会什么
  • 输出： 最终交付什么形式的结果
  • 泛化对象与切分： 希望模型适用于哪种新数据
  • 损失函数： 训练时怎样判断模型错了多少
  • 评价指标： 实验时用什么量尺判断结果好坏
  • baseline： 最简单的比较对象
  • 不能声称（证据边界）： 当前结果不能直接支持什么结论

---

阶段二｜模态选择：模型究竟看见什么

判断一种数据表示让模型看见了什么

1. 数据模态：现实对象被观测到的某个侧面

数据模态是大分类。每一种模态下面再看具体观测，并回答：模型看到了什么、通常能得到什么结果、这些结果不能证明什么。

1.1 表达模态

具体观测	模型实际看到什么	基于该观测可得到的典型结果	仍然遗漏或不能直接证明什么
单细胞基因表达矩阵	每一行代表一个细胞，每一列代表一个基因；数值表示该细胞中被检测到的基因表达计数	根据表达相似性给细胞分簇；把细胞投影到二维空间观察群体结构；寻找不同细胞群之间的差异表达基因；结合marker为细胞簇提出候选类型或状态	表达为0不一定代表该基因没有表达，也可能是低灵敏度造成的漏检；一个计算簇不天然等于一种真实细胞类型；RNA表达差异不能直接证明蛋白活性或调控机制
空间spot表达矩阵	每一行代表组织切片上的一个spot，每一列代表一个基因；数值表示该位置测得的混合表达	按表达相似性对spot分组；寻找在组织中呈空间变化的基因；与坐标联合后识别候选空间域和组织边界	一个spot可能同时包含多种细胞；表达相似不等于组织功能相同；空间域是计算划分，不是仪器直接给出的真实标签

1.2 序列模态

具体观测	模型实际看到什么	基于该观测可得到的典型结果	仍然遗漏或不能直接证明什么
蛋白质氨基酸序列	一个由氨基酸字符组成的有序序列；模型可以学习某个氨基酸与其前后氨基酸的上下文关系	得到每个残基或整个蛋白质的序列表示；根据序列模式提出蛋白质家族、功能或结构方面的候选判断；把序列表示交给后续分类、结构或相互作用预测任务	序列表示不是实验测得的三维结构；模型注意到的序列位置不一定是物理接触位点；功能或结构候选仍需独立数据或实验验证；序列本身没有完整记录特定细胞环境和动态构象

1.3 结构模态

具体观测	模型实际看到什么	基于该观测可得到的典型结果	仍然遗漏或不能直接证明什么
小分子二维化学结构	分子包含哪些原子、原子之间通过什么化学键连接；之后可转换成SMILES、分子指纹或原子—键图	预测分子的分类标签或连续性质；比较候选分子的局部子结构；把分子表示用于药物—靶点任务；筛选值得继续研究的候选分子	二维连接关系没有完整记录真实三维构象；不同表示会压缩或遗漏不同信息；性质分数或作用分数不能直接说明分子在体内安全、有效或具有临床疗效
小分子或蛋白—配体的三维特征	原子的三维坐标、原子间距离，或蛋白质与配体在空间中的相对位置	表示分子的空间几何；比较可能的空间互补关系；预测分子性质或蛋白—配体作用分数；为候选结合方式提供计算线索	单个三维构象不能代表分子的全部动态状态；输入构象可能来自计算而非实验；空间匹配或高分不能直接证明真实结合，更不能直接证明治疗效果
蛋白质三维结构	残基或原子的三维坐标，以及序列中相距较远的残基在折叠后是否空间接近	给出候选蛋白质折叠结构；分析残基之间的空间关系；辅助寻找可能的结构区域、结合位置或突变影响区域	预测结构不等于实验测定结构；静态结构不能完整表示构象变化、动力学和细胞环境；两个位置空间接近不自动证明其功能关系或作用机制

1.4 空间模态

具体观测	模型实际看到什么	基于该观测可得到的典型结果	仍然遗漏或不能直接证明什么
spot空间坐标	每个spot在组织切片中的位置，以及spot之间的距离	根据物理距离建立空间邻域；结合表达识别候选空间域；发现可能的组织边界；比较相邻区域的表达模式	坐标本身不是空间域标签；两个spot接近不代表它们具有相同功能或发生直接作用；二维切片也没有完整记录三维组织结构
由坐标构建的空间邻域图	哪些spot被建图规则定义为邻居，以及邻居之间的距离或权重	让图模型在相邻spot之间整合表达信息；进行空间聚类或节点分类；利用局部上下文减少部分噪声	图中的边是根据距离和参数构造出来的，不是直接测得的生物关系；建边范围过大可能跨越真实边界；过度平滑可能抹去小区域或稀有模式

1.5 关系模态

具体观测	模型实际看到什么	基于该观测可得到的典型结果	仍然遗漏或不能直接证明什么
蛋白质—蛋白质相互作用网络	蛋白质是节点，数据库中已经记录的蛋白质关系是边；模型还能看到每个蛋白质的网络邻居	学习蛋白质的网络表示；发现连接模式相近的蛋白质或候选模块；辅助预测蛋白质功能；为尚未记录的蛋白质关系给出候选分数	数据库中的边可能来自不同实验条件；有边不一定代表直接物理结合或因果调控；没有边也不代表真实关系一定不存在
药物—蛋白质—药物异构关系图	药物和蛋白质是不同类型的节点；蛋白质互作、药物靶向和药物—药物副作用是不同类型的边	学习多类实体的网络表示；预测两个药物之间某类副作用边出现的可能性；为候选关系排序	这一任务的结果首先是候选关系分数；不能直接推广为所有药物—疾病任务；预测副作用或关系不等于已经得到临床验证
药物—靶点记录及亲和力数值	模型看到药物表示、靶点表示，以及已测得的连续结合亲和力	预测一个药物—靶点组合的亲和力数值；根据预测值对候选组合排序；为后续实验筛选组合	亲和力预测高不等于体内一定有效；数据库中未记录的组合不等于确定不结合；现有课程材料不足以支持某种模型或编码方式普遍更好
疾病差异表达与PPI网络的组合	疾病相关的表达变化，以及基因或蛋白质在PPI网络中的位置	对可能与疾病有关的治疗靶点进行优先级排序；得到一组值得进一步验证的候选基因或蛋白质	排名靠前不等于该靶点导致疾病；不能直接证明作用机制；也不能说明针对它的药物一定安全或有效

1.6 图像模态

具体观测	模型实际看到什么	基于该观测可得到的典型结果	仍然遗漏或不能直接证明什么
与空间转录组坐标对齐的组织学图像	每个spot附近的组织颜色、纹理和形态信息，并可与该位置的表达和坐标联合	辅助识别候选空间域；寻找空间变异基因；比较形态区域与表达区域是否一致	并非所有空间数据集都有可用图像；图像边界不等于分子表达边界；配准误差会让图像位置和表达位置错配；加入图像后得到更好结果也不等于发现了生物机制

1.7 多组学组合

多组学不是单独的一种测量技术，而是把同一组样本或细胞的多个分子层作为不同视角共同分析。

具体观测	模型实际看到什么	基于该观测可得到的典型结果	仍然遗漏或不能直接证明什么
同一批样本或细胞的多个组学视图	同一对象对应的RNA表达、DNA甲基化、染色质可及性等多张数据表，以及样本、特征、模态和批次身份	学习多个模态共享或各自特有的潜在因子；发现哪些变化主要来自哪个模态；比较不同样本或细胞的多层分子差异	模态更多不代表结论必然更可靠；特征数量、噪声和样本不平衡可能让某一模态占主导；某些样本缺少模态时不能简单把缺失值当成0

2. 模型表示：把观测信息转换成模型可处理的形式

模型表示	基本形式	主要保留的信息	主要风险
特征向量	每个对象对应一组数值	对象自身属性	对象间关系可能丢失
表达矩阵	样本 × 基因	样本之间的表达差异	高维、稀疏、批次效应
序列	有顺序的符号	元素排列和局部模式	不直接包含三维结构
分子图	原子作为节点、化学键作为边	分子局部结构和拓扑	建图规则不等于真实动态构象
邻域图	样本作为节点、相似或相邻关系作为边	对象间局部关系	构图错误会限制后续模型
关联矩阵	两类实体组成行列	已知与未记录关系的分布	空白格含义不确定
异构图	多种节点和多种边	多类型实体与关系	复杂度、泄漏和关系来源问题

3. 数据容器：保存表示的工程结构

数据容器	保存内容	主要用途或边界
稀疏矩阵	非零元素及其位置	适合大量零值的组学矩阵；只是存储方式
AnnData	表达矩阵、细胞信息、基因信息、降维结果和邻域图	组织单细胞或空间数据；本身不增加生物信息
邻接矩阵	节点之间是否连接及边权重	适合矩阵运算；大型稀疏图可能占用较多空间
边列表	起点、终点、边类型或边权重	便于保存和构建图；需另外保存节点特征

---

阶段三｜输入审计：处理改变了什么

控制组学数据中的噪声与技术偏差

• 原始计数保护
• 质量控制：删除明显缺乏可靠测量基础的行或列
  • 细胞QC
    • 删除疑似空液滴、低质量细胞、濒死细胞或可能的双细胞
    • 阈值过严会删除稀有细胞或真实低RNA细胞；线粒体比例高也可能具有生物学原因
  • spot QC
    • 删除组织外spot或测量质量明显异常的spot
    • spot通常包含多个细胞，不能完全照搬单细胞QC标准
  • 基因QC
    • 删除几乎没有观测信息的基因，减少噪声和计算量
    • 低频基因可能是稀有细胞群的重要marker，不能只因表达少就认定无意义
• 归一化：按每个细胞或spot的总计数进行缩放，使不同观测单位处于较可比的数值尺度
• 对数变换 log(1+x)：压缩表达值的动态范围，防止少数极大值主导分析
• 高变基因：挑出对样本差异贡献较大的基因
• dropout与稀疏性：不否认「技术性零」
• 批次效应：避免模型学到数据批次的差异，而非生物性差异
• 批次整合：使得同类细胞跨批次相互接近
• 过度校正：使得不同细胞类型也无法区分

守住训练集与测试集的数据边界

• split-first：划分训练集、验证集和测试集
  • 在训练集拟合处理规则 → 用固定规则处理验证集和测试集
• fit与transform
  • fit负责从训练数据中学习规则
  • transform负责把固定规则应用到新数据。
• 训练集拟合
• 测试集隔离
• 数据谱系：记录每个模型输入从哪里来、经历了什么，以及处理规则是从哪些数据中学出来的
  • 原始数据版本
  • 中间状态
  • 参数记录
  • checkpoint

记录内容	应该填写什么	作用
原始数据版本	数据来源、文件版本、样本 ID、下载或生成时间	确认最初使用的是哪批数据
中间状态	QC 后、归一化后、HVG 后、PCA 后等处理产物	定位问题从哪一步开始出现
参数记录	QC 阈值、归一化规则、HVG 数量、PCA 维数、随机种子	复现同一次处理
fit 范围	哪些样本参与了均值、HVG、PCA 或整合模型的拟合	检查测试集是否泄漏
checkpoint	在关键处理步骤保存的数据文件和模型状态	出错后可以从中间恢复和比较
输出说明	输出矩阵的行列、数值语义和对应对象	防止把原始计数、归一化表达和嵌入混为一谈

控制关联预测数据中的虚假捷径

• 分子标准化
• scaffold控制
• 序列同源控制
• 已知关联与未知关联
• 负样本构造
• 目标边遮蔽

---

阶段四｜结构表达：相似、邻域与信息流

把“像不像”和“谁与谁有关”变成可计算结构

• 样本与特征：样本是比较或预测的对象，特征是模型用来描述该对象的信息。
• 距离与相似度
  • 距离衡量的是两个对象在当前表示中是否接近，不是它们在所有生物学意义上是否相似
  • 距离和相似度把“像不像”转成一个数值，但这个数值的含义取决于使用了什么特征和什么计算方法
• PCA
  • 较少的新坐标概括原始特征中的主要变化
  • 降维、可视化、计算距离、建立邻域图
• 邻域图：把“哪些样本彼此接近”写成一张图
  • k近邻
  • 表达邻域
    • 连接的是基因表达或PCA相似的对象，即使它们在组织中的实际位置相距很远
  • 空间邻域
    • 表达邻域描述状态相似性，空间邻域描述物理邻近性
• 邻接矩阵
• 图构建
  • 节点定义：图中的一个点代表谁
  • 边定义：什么条件下，两个节点可以直接交换信息
  • 边权重：两个已连接节点之间的关系有多强

研究场景	节点代表什么	什么情况下连边	边来自哪里	边权可以表示什么	主要边界或风险
单细胞表达邻域图	一个细胞	两个细胞的表达或 PCA 表示足够接近	k 近邻或距离阈值构图	表达相似度、距离转换值或统一权重	边只表示表达相似，不表示空间相邻或细胞间发生作用；k 值会改变邻域结构
空间转录组邻域图	一个 spot 或空间细胞	两个节点在组织坐标中足够接近	空间坐标、距离阈值或空间 k 近邻	物理距离、距离转换值或统一权重	空间邻近不等于表达相似或发生细胞通讯；建边范围过大可能跨越真实组织边界
蛋白质相互作用图	一个蛋白质	数据库或实验记录了两个蛋白质之间的关系	PPI 数据库、实验或文献记录	实验置信度、数据库证据分数或统一权重	有边不一定代表直接物理结合或因果调控；无边也不代表关系不存在
药物—靶点图	一个药物或一个靶点	已记录某个药物作用于某个靶点	实验测量或关联数据库	结合亲和力、证据分数或统一权重	数据库空白不等于真负例；关联强度不等于药物在体内安全有效
药物—蛋白质异构图	药物、蛋白质等不同类型实体	实体之间存在靶向、互作、副作用等关系	多个实验或生物医学数据库	关系置信度、实验值或关系类型对应的权重	不同关系不能当作同一种边；数据来源和关系语义不一致可能误导模型
小分子图	一个原子	两个原子之间存在化学键	已知二维化学结构	化学键类型，如单键、双键、芳香键	二维化学键图不天然包含可靠的三维构象和分子动力学
基因调控图	一个基因或调控因子	已记录或预测存在调控关系	实验、数据库或计算推断	调控强度、置信度、激活或抑制类型	预测边不是实验事实；不同细胞和条件下，调控关系可能不同

• 消息传递：让每个节点根据图中已有的邻居更新自己的表示
• GCN与GAT
  • GCN：邻居按照较固定的规则共同参与
  • GAT：模型尝试判断哪些邻居对当前节点更重要
• 过度平滑
  • 节点反复混合邻居信息后变得过于相似，导致真实群体和边界被抹去

为关联预测表示不同类型的实体

• 实体表示
  • 药物表示
  • 蛋白质表示
  • 疾病表示
• 低秩表示
• 双塔表示
• 关系解码
• 异构图表示
• 多模态表示

阶段五｜聚类主线：从分组假设到候选结构

根据结构假设选择聚类方法

• 无监督聚类
• 划分聚类：寻找若干中心，再按到中心的距离切分。
  • K-means
• 层次聚类
• 密度聚类
• 谱聚类：谱聚类先依据图生成一套新坐标，再在新坐标上分组
• 图社区发现：不先重排坐标，直接调整每个点的社区标签
  • Leiden
  • resolution
• 空间聚类
  • 表达—空间融合
  • 空间域识别

聚类家族	它假设簇具有怎样的结构	主要输入	直接得到什么	比较适合什么情况	典型失败或风险
划分聚类	样本可以围绕若干中心形成相对紧凑的群体	样本特征或低维坐标	每个样本所属的簇及各簇中心	簇较紧凑、规模相近、可用距离表示的数据	需要预先指定簇数；不规则形状和离群点可能被错误分配
层次聚类	样本之间存在由近到远、由小群到大群的嵌套关系	距离或相似度矩阵	一棵表示合并或拆分过程的树状图	希望观察多个分组尺度，或样本数量不是特别大	距离和连接规则会显著改变树；早期错误合并通常难以撤销
密度聚类	一个簇是样本分布较密集的区域，簇之间由低密度区域隔开	特征空间中的距离或邻域	密集区域形成的簇，以及可能的噪声点	簇形状不规则、存在离群点、不想强迫所有样本归类	不同群体密度差异较大时难以统一设定参数；高维距离可能不可靠
谱聚类	重要结构存在于样本相似图中，而不一定能由原始空间中的中心描述	相似度矩阵或图	在谱表示中得到的样本分组	弯曲、环形或其他非凸结构；图结构比中心结构更重要	相似图构建错误会直接影响结果；计算成本可能较高
图社区发现	一个簇是图中内部连接较密、与外部连接较少的节点社区	邻域图	每个节点的社区编号	单细胞邻域图、空间图、生物网络	结果依赖图的边、邻居数和resolution；错误建边会产生错误社区
空间聚类	空间域通常同时具有表达相似性和位置连续性	表达数据、空间坐标及其邻域图	spot或细胞的候选空间域	空间转录组的区域识别和组织结构探索	空间约束过强会抹掉真实表达差异；邻近不等于同一组织域

把聚类结果从“编号”校准为候选结构

• 聚类尺度
  • 过度分群
  • 欠分群
• 聚类稳定性
  • 随机种子
  • 参数扰动
  • 重采样
  • 成员共聚
• 离散簇与连续状态
• marker基因
• 候选细胞身份
• 空间上下文

阶段六｜关联主线：从关系任务到候选排序

区分不同的关联预测任务

• DTI分类
• 结合亲和力回归
• 药物候选排序
• 链接预测
• baseline

建立关联预测的完整模型阶梯

• 关联任务
  • 药物—靶点
  • 药物—疾病
  • miRNA—疾病
• 样本构造
  • 已知关联
  • 未知关联
  • 负样本
• baseline阶梯
  • 频率baseline
  • 低秩baseline
  • 经典机器学习baseline
• 关系预测模型
  • 双塔
  • 解码器
  • GNN
• 泛化场景
  • 新药物
  • 新靶点
  • 双冷启动

阶段七｜可信评价：高分代表哪一种泛化

评价聚类是否稳定、是否具有参考意义

• 参考标签
• 列联表与配对计数
• Purity
• ARI
• NMI
• 内部评价
• 稳定性评价
• 生物评价

评价关联预测能否泛化到真正的新对象

• 分类评价
  • ROC-AUC
  • PR-AUC
• 排序评价
  • Top-K评价
• 回归评价
  • MAE
  • RMSE
• 数据切分
  • random split
  • cold split
  • scaffold split
  • homology split
• 泄漏审计
  • 重复样本泄漏
  • 相似实体泄漏
  • 预处理泄漏
  • 目标边泄漏
  • 预训练污染
• 统计可靠性
  • 重复实验
  • 方差

阶段八｜证据校准：计算输出能支持什么主张

控制聚类解释的证据边界

• cluster ID
• marker基因
• 候选细胞身份
• 空间位置
• 独立切片
• 功能结论边界
• attention解释边界

为关联预测候选建立外部证据链

• 独立数据库
• 文献证据
• 结构证据
• 药理证据
• 实验验证计划
• 证据等级
  • 计算分数
  • 稳定候选
  • 独立数据支持
  • 实验证实
  • 机制证据

阶段九｜研究闭环：增量、复现、消融与可证伪pilot

让数据处理和模型运行可追溯

• 数据谱系
• 参数记录
• checkpoint
• baseline
• 构图审查
• 失败案例

判断细胞基础模型是否真正提供增量

• 自监督预训练与表示
• 预训练目标
• zero-shot
• 预训练污染
• 空间上下文
• 简单baseline
• 任务专用baseline
• 情境化增量

证明模型增益可靠且来源明确

• 公平比较
• 重复实验
• 消融实验
• 参数敏感性
• 数据敏感性
• 资源审计
• 负结果
• 适用边界
• 研究dossier
  • 研究问题
  • 任务合同
  • 数据卡
  • 模型卡
  • 评价合同
  • 外部验证计划
  • 失败条件
• 可证伪研究问题

两条应用闭环

细胞与空间组学聚类闭环

细胞/spot观测
→ QC与归一化
→ 批次整合
→ PCA与邻域图
→ 聚类或空间域识别
→ 尺度与稳定性
→ marker与候选身份
→ 独立切片、正交模态或扰动证据

药物与疾病关联预测闭环

药物、靶点、疾病等实体
→ 分子、序列、结构或关系表示
→ 去重、负样本与切分
→ 分类、回归、排序或链接预测
→ baseline与复杂模型
→ cold/scaffold/同源泛化审计
→ 候选关系与错误分析
→ 药理、独立数据或实验验证

---