第1章 BBKNN 简介与单细胞数据整合背景
做单细胞数据分析的朋友，应该都遇到过这个头疼的问题：不同批次、不同实验平台的数据，凑到一起就是各种“打架”。
我刚开始接触单细胞整合那会儿，拿着两套10X数据，同样的细胞类型，UMAP图硬是分开两大块。当时我心里就犯嘀咕：这到底是我实验操作有问题，还是细胞本身就不一样？
后来才明白，这就是典型的批次效应。而BBKNN，就是专门来解决这个问题的轻量级方案。
1.1 为什么要整合单细胞数据？
单细胞测序技术发展很快，但单个实验能捕获的细胞数量有限。想研究稀有细胞类型、或者跨组织/跨个体的比较，就得把多个数据集拼在一起。
可问题是，每个数据集都有自己的“性格”——
- 实验批次差异：不同时间、不同操作员、不同试剂批次，都会引入系统性偏差
- 测序平台差异：10X vs Drop-seq vs Smart-seq2，基因检出率和表达量分布完全不同
- 生物学差异 vs 技术噪声：我们想找的细胞类型差异，往往被批次效应淹没
举个例子，我去年处理一批肺癌数据，两个批次里正常的T细胞居然分开成两簇，而真正的肿瘤细胞反而混在一起。你说这怎么往下分析？
所以整合的第一步，就是把批次效应和生物学变异分离开。说白了，就是让不同样本里同类型的细胞能靠在一起，而不是被实验标签拆散。
1.2 常见整合方法对比：选对工具很重要
现在市面上整合方法少说十几个，我最常用的几个列在下面。注意，没有万能的工具，只有合适的场景。
| 方法 | 核心思路 | 优点 | 缺点 |
|---|---|---|---|
| Seurat CCA | 典型相关分析找共享结构 | 稳定，适用广泛 | 计算慢，内存占用大 |
| MNN | 匹配相互最近邻矫正 | 对细胞类型平衡不敏感 | 参数敏感，需要挑选HVG |
| Harmony | 迭代软聚类+校正 | 速度快，可扩展性强 | 对极端批次差异略显鲁棒性不足 |
| Scanorama | 子采样+同源性搜索匹配 | 可处理大量数据集 | 内存消耗大，超大数据集吃力 |
| BBKNN | 平衡k近邻图+批量感知 | 极快，内存友好，适合海量细胞 | 不能做复杂的非线性校正 |
我个人的习惯是：数据量在5万细胞以内，优先用Harmony；超过10万，直接上BBKNN。嗯，这也不是绝对的，得看你的细胞异质性。
1.3 BBKNN 到底是什么？
BBKNN 全称是 Batch Balanced K-Nearest Neighbors，由 Polański 等人在2019年提出。名字里“平衡”两个字是关键。
传统的k近邻会找到全局最近的k个细胞，但如果某个批次细胞数量多，就会主导邻居关系。BBKNN的做法是：
- 在每个批次内部先计算k近邻
- 然后从每个批次里等比例抽取邻居
- 最终构造的图里，每个细胞的邻居来自各个批次的数量大致均衡
你看，这样一来批次效应就不会在图中占主导了。简单，但非常有效。
核心公式（概念上）：
对于每个细胞 i：
在每个批次 b 中找到 k_b 个最近邻
总邻居集合 = 并集（所有批次的 k_b 个邻居）
重新加权边权重，使每个批次贡献相等我在项目中遇到过几百万级的细胞数据集，用Seurat CCA跑了一天没出结果，换BBKNN半个小时搞定。那之后我就彻底成了BBKNN的粉丝。
1.4 BBKNN 的适用场景与局限
说白了，BBKNN适合什么情况？
- 超大数据集：10万+细胞，BBKNN几乎线性扩展
- 批次背景简单：细胞类型分布在不同批次中大致一致，没有复杂的非线性变形
- 快速探索：前期集成测试，快速判断数据质量
但也要注意它的天花板：
- 不能修正强烈的非线性批次效应（比如不同平台间的表达量偏移）
- 在细胞类型严重失衡时（比如一个批次全是T细胞，另一个全是B细胞），效果会打折
- 输出的是关系图，不是校正后的表达矩阵，所以后续差异分析需要回到原始数据
我曾经踩过的坑：
一个项目里，我用BBKNN整合了来自10x和Smart-seq2的数据。结果发现免疫细胞整合得挺好，但上皮细胞分成了两簇——后来才意识到，SMART-seq2对低表达基因更敏感，导致细胞差异被放大了。BBKNN的平衡策略没法处理这种全基因组的系统性偏移。
所以我的建议是：先做批量共表达分析或PCA去噪，再跑BBKNN。别上来就闷头跑。
1.5 知识体系总览
下面这张图概括了BBKNN在单细胞整合生态中的位置，以及它与其他常用方法的关联。慢慢看。
小技巧：BBKNN 在 Python 中通过 bbknn 包调用。我最常用的参数是 neighbors_within_batch=3 和 n_pcs=30。如果你的数据批次数量超过5，建议把 batch_key 设成一个分类变量，而不是数值变量，否则容易产生奇怪的边界。
1.6 快速上手体验
安装很简单，一行搞定：
pip install bbknn配合 Scanpy 使用的话，典型的流程是：
import scanpy as sc
import bbknn
adata = sc.read("your_data.h5ad")
sc.pp.pca(adata, n_comps=30)
bbknn.bbknn(adata, batch_key='batch', neighbors_within_batch=3)
sc.tl.umap(adata)
sc.pl.umap(adata, color='batch')我当时第一次跑的时候，看到整合后的UMAP图上，不同批次的细胞杂糅在一起，心里那个爽啊。但注意，别只看UMAP好不好看，一定要检查具体细胞类型标记基因的分布——如果某种细胞只出现在一个批次里，那整合结果很可能有问题。
好，到这里BBKNN的基本面貌应该清楚了。记住：它不是一个万能修正器，而是一个讲究“平衡”的快速对齐工具。用好了，你的整合效率能翻几倍。