每周札记
返回目录
公开知识笔记 · 不进入目录

ZINB与负二项分布

公开知识笔记

ZINB Decoder 核心机制总结

1. 场景定位：从隐空间到计数空间的概率映射

Decoder 的任务是将低维连续的细胞 Embedding 还原为高维离散的基因表达计数。由于神经网络无法直接输出离散整数，它选择输出一个完整的概率分布作为重建结果，以此强迫 Embedding 学到真实的生物学结构。

2. 参数含义：三个输出即最终生物学答案

3. 实现方式：为何必须用线性层而非裸参数

ZINB 参数是以 Embedding 为条件的逐样本变量，不同细胞的表达模式完全不同。

  • nn.Linear = 权重矩阵 + 矩阵乘法运算，能将每个细胞独有的 Embedding 映射为其专属的分布参数，保证信息流贯通。
  • nn.Parameter 仅为全局共享的固定张量，不依赖输入，等价于假设所有细胞表达模式相同，违背生物学事实且阻断梯度回传。

一句话概括：ZINB Decoder 是一个个性化概率分布生成器，通过线性层将每个细胞的抽象 Embedding 翻译为可解释、可下游使用的基因表达分布参数 (π,μ,θ)(\pi, \mu, \theta)。

4. 激活函数：仅保障参数数学合法（非拟合原因）

Sigmoid/Softplus 仅确保 (π,μ,θ) 落入合法定义域，防止 Loss 计算崩溃。它不创造 ZINB 分布，只是让参数有资格被填入公式。

5. ⭐ 实质层面：Loss 才真正强制模型拟合 ZINB

ZINB 的负对数似然 Loss 衡量“当前参数定义的分布对真实数据的解释力”。梯度下降不断调整参数以最小化该 Loss，是优化过程而非激活函数，迫使模型输出逼近真实数据的 ZINB 分布。

6. ⭐ 哲学认知：ZINB 是有依据的人为近似，非自然定律

ZINB 是人类基于“转录爆发（NB）+ 技术捕获损失（ZI）”构建的结构化近似，并非客观真理。其价值不来自先验正确性，而来自后验实用性——在大量基准测试中，它比更简单或更复杂的模型更能有效提取生物学信号。模型无需为真，只需有用。

ZINB 与负二项分布（Zero-Inflated Negative Binomial）

一句话说人话

基因表达是「数数」出来的计数数据，ZINB 是一种专门用来描述「计数数据 + 特别多零」这种情形的概率分布——它把「基因真的没表达」和「表达但测丢了」两种零分开建模。

生活类比一：基因表达是「数数」，不是「称重」

先建立第一个直觉：基因表达数据是怎么来的？

想象你在数「这个房间里今天进来了多少只鸟」。

  • 你可以数到 0 只、1 只、2 只……但不可能数到「0.7 只鸟」或「-3 只鸟」。
  • 计数数据（count data）的特点就是：非负、整数、可以有很多 0。

基因表达完全一样：测序仪本质上是在数「这个 spot（空间位点）里，某个基因的 RNA 分子被抓到了多少次」。抓到 0 次、3 次、257 次……都是非负整数，不可能出现「表达 2.5 次」。

所以建模基因表达时，不能用「身高、体重」那种连续的高斯分布（正态分布）硬套——身高可以是 170.5cm，但表达量不能是 2.5。这就引出了：用什么分布来建模计数数据？

生活类比二：负二项分布 = 带「弹性」的计数分布

最朴素的计数分布是泊松分布（Poisson）——它假设「事件发生是纯随机的」，而且平均值 = 方差（波动幅度 = 平均水平）。

但现实里基因表达有个毛病：波动比泊松假设的大。

类比：两所学校，平均每个班都是 30 人。泊松会假设「每班人数就在 30 上下小幅晃」。但真实情况是——有的班 15 人、有的班 45 人，波动远大于泊松允许的范围。这叫过度离散（overdispersion）。

负二项分布（Negative Binomial, NB）就是「允许波动更大」的计数分布：它多了一个参数 θ（叫 dispersion，离散度），专门用来刻画「波动有多大」。θ 越小波动越大，θ 越大越接近泊松。

为什么基因表达需要它？因为生物系统很「乱」——同一个基因，在不同细胞、不同时间、不同批次里的表达量天然波动巨大（生物变异 + 技术噪声）。负二项分布能诚实反映这种「比随机更大的波动」。所以单细胞/空间转录组领域几乎默认用负二项分布来描述基因表达。

生活类比三：零膨胀 = 那些「多出来的零」

接下来是第二个现象：基因表达数据里的 0 特别多。

想象你统计「小区里每家阳台上的花盆数量」：

  • 有很多家阳台上确实没养花（真没有）；
  • 但也有一些家其实养了花，只是你从楼下没看见（有，但被挡住了、漏掉了）。

这两种情况你记录下来的都是「0」，但原因完全不同。

基因表达里的零也是这么两种：

  1. 生物性零：这个基因在这个 spot 里真的没表达（真没有花）；
  2. 技术性零（dropout，丢失）：基因其实表达了，但测序过程中没抓到那个 RNA 分子（有花但你没看见）——这是测序技术的固有缺陷，叫 dropout。

这两种零混在一起，导致数据里的 0 比普通计数分布「应该有的」多得多。这个现象就叫零膨胀（zero-inflation）。

普通负二项分布只能解释「随机产生的那部分零」，解释不了「dropout 多出来的那一大堆零」。于是人们发明了——

ZINB = 零膨胀 + 负二项：一个分布管两种零

ZINB（Zero-Inflated Negative Binomial，零膨胀负二项分布） 把两种零分开建模，公式长这样（论文里的公式）：

p(x | π, μ, θ) = π · δ₀(x)  +  (1 − π) · NB(x | μ, θ)

  • 第一部分： δ₀ 它只在一个点上取值：。意思是“这个零是额外的零”，也就是负二项分布解释不了的那部分零。
    在单细胞 RNA 测序场景里，这部分通常被解释为技术性零，比如 dropout：基因本来有表达，但因为测序技术限制，转录本没有被捕获到，计数显示为零。

  • 第二部分： NB(x | μ, θ) 负二项分布本身在  时也有概率，这个概率是 NB(0 | μ, θ)。
    它表示：即使没有 dropout，基因真实表达水平很低或者真的不表达，也会自然出现计数为零。这部分可以理解为生物性零。

这样，一个 ZINB 分布由三个参数决定：

参数 含义 生活类比
π（pi） 零膨胀概率，有多少比例是「多出来的零」 「有花但没看见 + 真没花」的比例
μ（mu） 平均表达水平 「通常数到多少只鸟」
θ（theta） 离散度，波动多大 「波动比随机大多少」

三个参数凑齐，就能完整刻画「计数 + 特别多零 + 波动大」的基因表达数据。

NB (x | μ, θ)：用于控制现实波动

  • 其中θ的大小反应波动的大小——θ 越小波动越大，θ 越大越接近泊松。
  • 另外其本身在 x=0 时也有概率，即NB (0 | μ, θ)，表示预计非技术原因，自然出现计数 0 的概率，这部分可理解为「生物 0」。故而将实际计数过程中额外多出的零看作「技术 0」。

零膨胀：用于区分「技术性零」和「生物性零」 区分办法——数据中零的总数 vs NB 自然产生的零的数量： 记：技术性零 = J，生物性零 = S，总数零 = Z。则有 ：Z = J + S

  • 1.若 S 近似 Z:
    • 代表数据里零的数量刚刚好能用 NB 的参数解释，其都是「生物性零」。
  • 2.若 S << Z：
    • 则代表存在大量多出来的「技术性零」。
    • 这时参数π的估计值增大，表示技术性零的占比概率升高。

落到这篇论文里：ZINB 解码器重建基因表达

FPS-MGCN 的结构是「编码器 + 解码器」：

  • 编码器：多视图 GCN（见 图卷积网络GCN）把 spot 压缩成低维嵌入 H（见 注意力机制）；
  • 解码器：ZINB 解码器，把嵌入 H 再「解压」回基因表达，并输出上面那三个参数 π、μ、θ。

也就是说，模型不是随便重建一个数字，而是用 ZINB 分布去「拟合」原始表达矩阵。它的重建损失 Lzinb 就是「在 ZINB 分布下，原始表达出现的概率（负对数似然）」——重建得越像原始数据，损失越小。

论文原话：用 ZINB 解码重建，是为了「preserve biological meaning / model biological variation and excessive zeros」——保留生物学意义，同时建模生物变异和过量零。

为什么论文需要它

  1. 数据性质决定的。空间转录组是计数数据、零特别多、波动大。用普通的均方误差（把表达当连续数去算平方差）会严重失真——比如一个基因在大多数 spot 是 0，模型「全预测成 0」在 MSE 下也会得分不错，但根本没学到生物学规律。ZINB 逼模型正视「零膨胀 + 过度离散」这两个本质特征。

  2. 重建损失是主要的无监督学习信号。这篇论文里，ZINB 重建是模型「没有标签也能学」的主心骨之一（另一路是 自监督学习与伪标签）。只有重建的「尺子」对了，学到的嵌入 H 才靠谱，后面的聚类（见 聚类评价指标）才立得住。

  3. 这是单细胞/空间转录组领域的「标准动作」。从 DCA、scVI 到大量空间聚类方法，用 ZINB 建模表达几乎成了默认共识——因为大家都认识到，尊重数据的分布，模型才学得到生物学真相。

一句话总结：基因表达是「数数数出来的、零特别多、波动特别大」的数据，ZINB 是专门为这种数据量身定做的「尺子」，用它去衡量重建好坏，模型才不会被海量的零带偏、才学得到真正的生物学信号。

后续联动

相关概念 它和 ZINB/负二项分布的关系 点此跳转
空间转录组与空间域 ZINB 建模的对象，正是空间转录组的基因表达数据 空间转录组与空间域
自监督学习与伪标签 ZINB 重建是「无监督学习」的主力信号，伪标签是另一路信号 自监督学习与伪标签
图卷积网络GCN 编码器（GCN）负责压缩，解码器（ZINB）负责还原，一前一后 图卷积网络GCN
注意力机制 编码器融合出的嵌入 H，是 ZINB 解码器「解压」的起点 注意力机制
聚类评价指标 ZINB 重建好坏间接决定嵌入质量，最终由聚类指标检验 聚类评价指标

被以下札记引用

2026-W35
ZINB与负二项分布｜每周札记