标准化、归一化和数据转换

高通量数据分析过程中常见的三个概念，非常容易混淆。

标准化 Data Scaling

为了使不同变量之间可以比较，例如

• 转录组中有些基因本身表达量就大，有些表达量小，不做标准化的话，直接做PCA之类的模型，会默认表达量大的对模型贡献就大，影响正确结果
• 代谢组中有些代谢物含量天然高，有些天然低，同理

归一化 Sample Normalization

为了消除样本自身或者测样的技术差异，使样本间可以比较。例如

• 转录组不同样本如果测序深度不同，就会导致基因的read数不同，不做归一化就会影响结果
• 代谢组不同样本，例如尿液样本可能浓度不同就会影响结果

数据转换 Data transformation

为了使数据符合正态分布

转录组

• 转录组分析流程中标准化和归一化被统一叫成了标准化，或者有些资料里称为组内标准化和组间标准化。

• 转录组的标准化有多种方法，但是很多是兼顾了组内和组间两方面

• 寻找差异基因的时候，只涉及单个变量组间对比，不涉及样本内不同变量的比较，因此不需要做组内标准化，这也是为什么DESeq2等软件要求用原始counts数据的原因，这些软件设计了只针对组间的标准化。而目前常见的标准化方法则包含了组内标准化

• 做PCA的时候，需要衡量一个样本内不同变量的权重，因此需要做组内标准化。R自带的scale可以进行组内标准化，但是用原始counts数据做PCA可能还需要组间标准化，因此可以考虑用DESeq2标准化之后的数据

代谢组

• 代谢组分析流程中还是分为标准化和归一化

• 做PCA时，标准化可以用R自带参数scale实现，如何实现归一化？MetaboAnalyst网页版或者R包可以提供归一化功能，暂时没有找到其他方法

• 代谢组寻找差异代谢物是通过VIP值和P值，求P值的时候只需要归一化，而VIP值则需要再标准化

• 因此代谢组数据可以统一做归一化，然后在做PCA模型的时候，再标准化

其他

• 对列归一化：将各列的总和拉平，是为了让同一基因（代谢物）在不同样本（各列）之间能比较
• 对行归一化：将各行的总和拉平，是为了让同一样本内不同基因或代谢物（各行）之间能比较