Scanpy中Leiden聚类结果不一致问题的技术分析

问题背景

在生物信息学单细胞数据分析工具Scanpy的使用过程中，用户报告了一个关于Leiden聚类结果不一致的问题。具体表现为：在Scanpy 1.9.3和1.10.4版本中，相同的输入数据使用Leiden聚类算法会得到不同的结果，而理论上这两个版本的默认行为应该保持一致。

问题本质

经过深入分析，发现问题的根源在于Scanpy内部对重复数据处理方式的变化。在1.10.4版本中，Scanpy对邻居搜索(nearest neighbor search)的实现进行了重构，从使用sklearn.metrics.pairwise_distances改为使用sklearn.neighbors.KNeighborsTransformer。这一变化导致了对重复数据的处理方式发生了改变。

技术细节解析

1. 邻居搜索算法差异：

   • 旧版本(1.9.3)使用pairwise_distances计算所有成对距离
   • 新版本(1.10.4)使用近似最近邻算法，效率更高但处理重复数据时行为不同

2. 重复数据处理：

   • 当数据中存在完全相同的行(重复样本)时，不同算法对"哪个样本更近"的判断可能不同
   • 旧版本在某些平台(如macOS ARM64)上能产生稳定结果
   • 新版本对重复数据的处理更加严格，可能导致邻居关系变化

3. 影响范围：

   • 主要影响存在重复样本的数据集
   • 可能导致邻居图和后续聚类结果变化
   • 对无重复数据的分析通常没有影响

解决方案

对于需要严格可重复性的用户，可以采用以下方法：

1. 数据预处理：

   • 检查并移除数据中的重复样本
   • 对数据进行轻微扰动以避免完全相同的行

2. 使用特定转换器：

   from sklearn.metrics import pairwise_distances
   from scanpy.neighbors import _get_indices_distances_from_dense_matrix, _get_sparse_matrix_from_indices_distances
   
   class PairwiseDistancesTransformer:
       def __init__(self, n_neighbors=15, metric="euclidean"):
           self.n_neighbors = n_neighbors
           self.metric = metric
           
       def fit_transform(self, X):
           d_arr = pairwise_distances(X, metric=self.metric)
           ind, dist = _get_indices_distances_from_dense_matrix(d_arr, self.n_neighbors+1)
           return _get_sparse_matrix_from_indices_distances(ind, dist, keep_self=True)
   

3. 版本控制：

   • 明确记录使用的Scanpy版本
   • 必要时固定依赖版本确保结果可重复

最佳实践建议

1. 数据质量控制：

   • 分析前检查数据是否存在重复样本
   • 考虑使用sc.pp.filter_cells等函数进行数据清洗

2. 可重复性保障：

   • 对于关键分析，记录完整的软件环境
   • 考虑使用容器技术(如Docker)固化分析环境

3. 结果验证：

   • 对重要发现进行多方法交叉验证
   • 在不同参数设置下检查结果的稳定性

总结

Scanpy中Leiden聚类结果不一致的问题揭示了生物信息学分析中一个常见但容易被忽视的问题——重复数据处理。这一案例提醒我们：

1. 软件更新可能改变对特殊情况的处理方式
2. 数据质量对分析结果有重要影响
3. 可重复性研究需要全面的环境记录

通过理解这一问题的本质，用户可以更好地设计分析流程，确保研究结果的可重复性和可靠性。对于单细胞数据分析，建议在正式分析前进行充分的数据质量控制和预处理，以避免类似问题的发生。