Scanpy聚合函数中类别组合错误的分析与修复

在单细胞数据分析工具Scanpy的最新版本中，用户报告了一个关于sc.get.aggregate函数的潜在问题。该函数用于对单细胞数据进行分组聚合计算，但在特定条件下会出现类别组合错误，导致部分数据丢失。

问题现象

当使用sc.get.aggregate函数对数据进行分组聚合时，如果同时使用三个分组变量，部分分组组合会意外丢失。例如，在包含69个患者的测试数据中：

• 仅使用"patient_id"和"external_batch_id"两个变量分组时，能正确保留所有69个患者
• 仅使用"patient_id"和"timepoint"两个变量分组时，也能正确保留所有69个患者
• 但同时使用"patient_id"、"timepoint"和"external_batch_id"三个变量分组时，只能识别出15个患者

问题根源

经过技术团队分析，发现问题出在内部函数_combine_categories的实现上。该函数负责将多个分类变量组合成一个复合分类变量，但在计算类别编码时错误地使用了累积和(cumsum)而非累积积(cumprod)。

在分类变量组合算法中，正确的做法应该是：

1. 对每个分类变量获取其唯一值数量
2. 计算这些数量的累积积
3. 基于累积积结果生成复合分类编码

而当前实现错误地使用了累积和，导致在某些情况下生成的复合分类编码不正确，进而丢失部分数据组合。

技术细节

以一个简化示例说明：

import pandas as pd
from scanpy.get._aggregated import _combine_categories

_combine_categories(
    pd.DataFrame({
        "a": [1, 1, 1, 1, 2],
        "b": [1, 1, 2, 2, 3],
        "c": [1, 2, 1, 2, 1],
    }),
    list("abc")
)

错误实现会产生不正确的复合分类编码，如将(2,3,1)错误地编码为"2_2_2"，而实际上应该是"2_3_1"。

解决方案

修复方案很简单：将累积和(cumsum)改为累积积(cumprod)。累积积能确保每个分类变量的组合都能获得唯一的编码空间，避免编码冲突。

这个修复已经由Scanpy核心开发团队完成，并将在下一个版本(1.10.1)中发布。对于受影响的用户，可以暂时考虑：

1. 减少分组变量数量
2. 手动实现分组聚合逻辑
3. 等待官方修复版本发布

总结

这个案例展示了开源社区如何快速响应和解决技术问题。用户报告、核心团队分析、问题定位和修复的完整流程，体现了Scanpy项目对代码质量的重视和对用户反馈的积极响应。对于单细胞数据分析人员，了解这类底层实现细节有助于更好地使用工具和排查问题。