表达矩阵的归一化和标准化，去除极端值，异常值

我们阅读量破万的综述：RNA-seq这十年（3万字长文综述）给粉丝朋友们带来了很多理解上的挑战，所以我们开辟专栏慢慢介绍其中的一些概念性的问题，上一期： RNA-seq的counts值，RPM, RPKM, FPKM, TPM 的异同 在数据挖掘过程，数据的归一化和标准化是必须的。取log值就是一种归一化的方法，z-score是常用的标准正态分布化的方法。

归一化和标准化的区别

实际上口语里面通常是没办法很便捷的区分这两个概念。 归一化：将每个样本的特征值（在转录组中，特征值就是表达量）转换到同一量纲下，把表达量映射到特定的区间内，区间的上下限由表达量的极值决定，这种区间缩放法是归一化的常用方法。 标准化：按照表达矩阵中的一个基因在不同样本中的表达量处理数据，每个样本点都能对标准化产生影响，通过求z-score值，转换为标准正态分布，经过处理的数据的均值为0，标准差为1，因此z-score也称为零-均值规范化。

取log对表达量的影响

原始的raw counts矩阵是一个离散型的变量，离散程度很高。有的基因表达丰度比较高，counts数为10000，有些低表达的基因counts可能10，甚至在有些样本中为0。 即使经过了RPKM/FPKM等方法抵消了一些测序技术误差的影响，但高低丰度基因的表达量的差距依然很大。 如果对表达量去一下log10，发现10000变成了4，10变成了1，这样之前离散程度很大的数据就被集中了。

如上图，这些离散的表达量都汇聚到了不同底数的log函数线上，可以使绘制的热图、箱线图等图形更加美观。 有时当表达量为0时，取log会出现错误，可以log(counts+1)来取log值。当x=1时，所有的log系列函数值都为0。这样原本表达量为0的值，取log后仍为0。 这也就是UCSC的XENA下载到的表达矩阵的形式。

z-score对表达量的影响

log对每个样本的表达量的处理标准是一样，而z-score考虑到了不同样本对表达量的影响，计算z-score时，消除到了表达的平均水平和偏离度的影响。

转换后表达量符合正态分布分布，Z-score只是一个临界值，是标准化的结果，本身没有意义，有意义的在于在标准正态分布模型中它代表的概率值。 所以只要知道Z值， 查对应的正态分布表，就可以知道表达量偏离平均水平的程度。

表达量log归一化和z-score标准化的使用范围

• 如果对表达量的范围有要求，用归一化。
• 如果表达量较为稳定，不存在极端最大最小值，使用归一化。
• 如果表达量离散程度很大，存在异常值和较多噪音，用标准化可以避免异常值和极端值的影响。
• 在分类、聚类、PCA算法中，使用z-score值的结果更好。
• 数据不太符合正态分布时，可以使用归一化。
• 机器学习的算法（SVM、KNN、神经网络等）要求归一化/标准化

剔除异常值

大家看群主代码绘制热图，里面经常看到z-score以及去除极端值的：

希望你看清楚下面代码是如何进行z-score的

pheatmap(dat)
n=t(scale(t(dat)))
n[n>2]=2 #限定上限，使表达量大于2的等于2
n[n< -2]= -2 #限定下限，使表达量小于-2的等于-2
n[1:4,1:4]
pheatmap(n,show_colnames =F,show_rownames = F)
ac=data.frame(group=cluster)
rownames(ac)=colnames(n)
pheatmap(n,annotation_col = ac,
         show_colnames =F,show_rownames = T)
n[n< -1]= -1 # 重新限定下限，使表达量小于-2的等于-2
n[1:4,1:4] 
pheatmap(n,annotation_col = ac,
         show_colnames =F,show_rownames = T)

总结

在一些公共数据库如TCGA、GEO中，会提供取log值、z-score后的表达量矩阵，这些值都是count矩阵的另一种表示形式。了解这些值背后的含义及应用范围，针对不同的数据挖掘模型，选取适合的表达量的表示形式来达到预期的结果。

那么，怎么样知道你的表达矩阵是否需要进行归一化或者标准化呢？下面的学习班可能会帮助你！