Practical limitations for real-life application of data fission and data thinning in post-clustering differential analysis

这是一份关于论文《Practical limitations for real-life application of data fission and data thinning in post-clustering differential analysis》（数据裂变与数据稀疏在聚类后差异分析中实际应用的局限性）的详细技术总结。

1. 研究背景与问题 (Problem)

核心问题：聚类后推断中的“双重 dipping" (Double-dipping)
在单细胞 RNA 测序 (scRNA-seq) 等数据分析中，标准流程通常包含两步：

1. 无监督聚类：根据基因表达谱将细胞分组。
2. 差异表达分析：基于上述分组进行统计检验，寻找组间差异基因。

这种流程存在严重的统计缺陷：同一份数据被使用了两次（一次用于定义假设/分组，一次用于检验假设）。这被称为“双重 dipping"，会导致第一类错误率（Type I error rate，即假阳性率）严重膨胀，因为聚类算法会人为地在同质数据中制造差异，而后续检验将这些人为差异误判为显著。

现有解决方案及其局限
为了解决这一问题，Leiner et al. (2023) 和 Neufeld et al. (2024) 提出了数据裂变 (Data Fission) 和 数据稀疏 (Data Thinning) 方法。

• 原理：将每个观测值分解为两个（或多个）独立的随机变量部分。一部分用于聚类，另一部分用于差异分析，从而在物理上切断数据使用的依赖关系。
• 理论假设：这些方法依赖于强参数假设（如高斯分布或泊松分布），并假设数据是同质的（即不存在真实的聚类结构，或假设全局零假设成立）。
• 实际困境：现实中的 scRNA-seq 数据本质上是混合模型 (Mixture Models)，包含多个不同的细胞亚群（聚类）。现有的裂变/稀疏方法并未针对混合分布进行推导。如果直接应用这些方法，会破坏独立性假设，导致推断失效。

2. 方法论 (Methodology)

本文通过理论推导和模拟实验，深入探讨了数据裂变/稀疏在混合模型背景下的适用性。

2.1 条件裂变 vs. 边际裂变 (Conditional vs. Marginal Fission)

• 条件裂变 (Conditional Fission)：
  • 定义：在已知每个观测值所属的潜在类别（Cluster $Z_i$）的情况下，针对每个混合分量（Component）分别进行裂变。
  • 要求：需要知道真实的类别标签 $Z_i$ 以及每个分量特定的尺度参数（如高斯分布中的协方差矩阵 $\Sigma_g$ 或负二项分布中的离散参数 $\theta_g$）。
  • 性质：能保证分解后的变量 $X^{(1)}$ 和 $X^{(2)}$ 在给定类别 $Z_i$ 下是条件独立的，同时保留分量间的边际相关性。
• 边际裂变 (Marginal Fission)：
  • 定义：忽略潜在类别，直接使用全局估计的参数（如全局协方差 $\Sigma$）对整个数据集进行裂变。
  • 现状：这是实际应用中唯一可行的方法，因为真实类别是未知的。
  • 缺陷：由于使用了有偏的全局参数估计（相对于分量特定参数），导致分解后的变量在给定类别下不再独立，产生条件协方差。

2.2 理论推导

• 方差估计偏差与相关性：文章证明了如果使用估计的协方差矩阵 $\hat{\Sigma}$ 代替真实的分量协方差 $\Sigma_g$ 进行裂变，$X^{(1)}$ 和 $X^{(2)}$ 之间会产生条件协方差：$\text{Cov}(X^{(1)}, X^{(2)} | Z_i=g) = \Sigma_g - \hat{\Sigma}$。
• 第一类错误膨胀机制：这种残留的条件相关性意味着，如果在 $X^{(1)}$ 中由于聚类算法错误地将一个真实分量分裂成两个假想簇，这种人为结构会通过相关性“污染”到 $X^{(2)}$，导致在 $X^{(2)}$ 上进行差异检验时出现显著的假阳性。
• 负二项分布的扩展：针对 scRNA-seq 常用的负二项分布，文章指出除了离散参数估计偏差外，该方法还存在单变量 (Univariate) 的局限性。它独立处理每个基因，忽略了基因间的多变量相关性（Correlation），这在高维数据中会进一步加剧第一类错误的膨胀。

3. 主要贡献与结果 (Key Contributions & Results)

3.1 理论贡献

• 揭示了数据裂变/稀疏在混合模型中失效的根本原因：边际独立性不足以支持聚类后推断，必须满足条件独立性。
• 建立了方差估计偏差与 t 检验第一类错误率之间的解析关系，量化了参数估计误差如何导致统计推断失效。
• 指出了负二项稀疏在处理多变量相关数据时的结构性缺陷。

3.2 模拟实验结果

• 高斯混合模型：
  • 边际裂变：即使聚类结果完美，下游差异分析的统计功效（Power）也会大幅下降；若聚类将单一分量错误分裂，第一类错误率会严重膨胀（远高于名义水平 5%）。
  • 条件裂变：在已知真实标签和参数的理想情况下，能完美控制第一类错误并保持高功效。
• 负二项混合模型 (模拟 scRNA-seq)：
  • 使用边际离散参数估计进行稀疏，导致 p 值分布偏离均匀分布，第一类错误率膨胀。
  • 在存在基因间相关性的多变量设置下，即使参数估计准确，负二项稀疏仍因忽略变量间相关性而导致严重的假阳性。

3.3 真实数据应用 (Tabula Sapiens)

• 在来自同一供体骨髓的粒细胞数据（理论上应无亚群结构）中应用负二项稀疏。
• 结果：尽管数据同质，多变量聚类后的差异分析仍产生了 100% 的假阳性率（Type I error = 1）。
• 归因：基因间的生物学相关性（Correlation）在稀疏过程中未被消除，导致聚类结构被错误地传递到检验阶段。只有当采用单变量（逐个基因）策略时，错误率才回归正常，但这在生物学上缺乏意义。

4. 结论与意义 (Significance & Conclusion)

核心结论

1. 不可行性悖论：

   • 条件裂变是唯一理论上有效的方案，但它要求预先知道真实的聚类结构和分量特定参数。
   • 边际裂变虽然不需要先验知识，但在存在真实聚类结构时会导致推断失效（第一类错误膨胀）。
   • 这形成了一个循环依赖 (Circular Dependency)：为了进行有效的裂变分解，需要知道聚类结果；但裂变的目的正是为了对聚类结果进行有效推断。

2. 实际应用的局限性：

   • 在现实世界的 scRNA-seq 分析中，由于无法预先获知细胞亚群的真实分布和参数，数据裂变和数据稀疏无法作为通用的后聚类推断解决方案。
   • 现有的方法仅在信噪比极高（信号极强，噪声极弱）的极端情况下可能有效，但在常规生物数据中风险极大。

研究意义

• 警示作用：该研究对当前流行的“数据裂变/稀疏”方法在单细胞分析中的应用提出了严峻的警告，指出盲目使用这些方法可能导致大量假阳性发现。
• 方向指引：文章强调，解决聚类后推断问题不能仅依赖数据分割技术，可能需要开发新的统计框架（如异方差模型、非参数局部方差估计等），或者寻找能够绕过“双重 dipping"问题的替代方案（如选择性推断 Selective Inference 的改进版，尽管本文主要讨论裂变/稀疏的局限）。
• 参数估计的重要性：强调了在混合模型中准确估计分量特定参数（如方差、离散度）对于维持统计独立性的关键作用。

总结
本文通过严谨的数学推导和实证分析，证明了数据裂变和数据稀疏在处理具有真实聚类结构的混合分布数据时存在根本性的实践局限。由于无法在未知真实类别的情况下实现所需的条件独立性，这些方法在当前的实际 scRNA-seq 差异分析应用中面临巨大的挑战，甚至可能导致完全错误的科学结论。