BBKNN 简介：从批量效应的痛点说起
单细胞测序技术发展到今天，实验做得越来越便宜，数据也越堆越多。但有个麻烦始终绕不开——批次效应。同一套细胞类型，换一个实验批次、换一台仪器，甚至换个操作员，表达谱分布就偏移了。我刚开始做单细胞整合时，拿两个批次的 PBMC 数据直接合起来降维，结果每个批次自己聚成一团，真正的生物学差异反而被淹没了。嗯，当时真是头疼。
后来开始研究各种整合方法。Seurat 的 CCA、Harmony、scANVI……各有各的长处，但有些方法跑起来太慢，有些对数据量特别敏感。直到我遇见了 BBKNN——Batch Balanced KNN。它不搞复杂的全局校正，而是从图构建的源头切入，用一种非常巧妙的采样思路解决了问题。
1. 背景：为什么需要 BBKNN？
单细胞数据的整合，本质上是想抹掉技术噪音，保留生物信号。常见的做法有两大类：
- 数据校正型：比如 ComBat、Seurat CCA、Harmony，直接修改表达矩阵或低维嵌入，让不同批次的数据对齐。缺点是容易过度校正，丢失真实差异。
- 图构建型：比如 BBKNN、scANVI，不直接改数据，而是在构建邻居图时考虑批次信息，使得每类的邻居尽量均匀来自各批次。这样下游聚类、可视化时批次效应自然被削弱。
我个人的习惯是，如果数据集很大（几十万细胞），或者计算资源有限，BBKNN 往往是首选。它不需要 GPU，内存占用也低，速度非常快。
| 方法 | 核心思路 | 计算资源 | 典型场景 |
|---|---|---|---|
| Seurat CCA | CCA 对齐，然后 MNN 校正 | 中等，需要较多内存 | 少量批次、高质量数据 |
| Harmony | 迭代聚类 + 岭回归 | 较高，适合大样本 | 多批次、连续批次 |
| scANVI | 半监督变分自编码器 | 高，需要 GPU | 有先验标注、大规模 |
| BBKNN | 批次平衡图构建 | 低，CPU 即可 | 任意规模，快速调试 |
2. 原理：平衡最近邻是怎么工作的？
BBKNN 的全称是 Batch Balanced KNN。它不修改表达谱，只修改邻居图。传统 KNN 在计算每个点的邻居时，会从所有数据中找出距离最近的 k 个细胞。但如果批次效应很严重，这些邻居往往来自同一个批次——你想想看，同一个批次的细胞本来就靠得近。这样建出来的图，每个批次内部连接紧密，批次之间几乎没有连接，下流分析自然分不开。
BBKNN 的做法是：对每个细胞，从每个批次中分别选出距离最近的 m 个邻居（m = k / 批次数量），然后再把这批邻居合并起来。这就保证了最终每个细胞的邻居集合是“批次平衡”的——无论那个批次离它多远，都能拉到同样数量的代表。这一步看似简单，实际效果非常好。我之前在集成 8 个不同平台的人 PBMC 数据时，BBKNN 跑出来的 UMAP 图里，T 细胞、NK 细胞、单核细胞都正确聚在一起，每个聚类的各批次比例几乎均匀，比我用其他方法手动调参的结果还干净。
具体流程可以用下面的示意图概括：
这个流程看下来，你可能会有个疑问：为什么只是改个图，效果就这么好？说白了，因为下游的聚类、可视化都严重依赖邻居图的结构。图对了，后面一切就顺了。我曾经在包含 5 个批次的胎脑数据上用 BBKNN 跑聚类，结果和手动标注的细胞类型几乎完全吻合，而 Seurat 的整合方法在那个数据集上反而把神经元类型混在了一起。当然，没有银弹——BBKNN 也有自己的局限，这点我后面会详细讲。
3. 适用场景：什么时候该用 BBKNN？
- 批次数量中等或较多（2~20 个）：BBKNN 对多批次支持很好，每批次只需提供足够数量的细胞来选邻居。
- 数据规模很大（超过 10 万细胞）：它的时间复杂度接近 O(N·logN)，而且内存使用线性，不会炸。
- 快速迭代探索阶段：我习惯在建模初期先用 BBKNN 跑一次，看看是否有意料之外的亚群，再决定是否用更复杂的模型。
- 关注保留稀有细胞类型：因为 BBKNN 不强制全局对齐，稀有细胞在特定批次里不会被强行拉向其他批次，往往保留得更好。
4. 快速上手：一行代码跑起来
BBKNN 是 Python 包，封装在 scvelo 生态里。安装很简单：
pip install bbknn如果你用的是 Scanpy 的 AnnData 对象，只要一行：
import bbknn
adata = bbknn.bbknn(adata, batch_key='batch', neighbors_within_batch=3)
参数 neighbors_within_batch 控制每个批次选多少邻居。默认是 3，但实际需要根据总类别数调整。我通常会设成 总类别数 / 批次数量 * 1.5，然后看看效果再微调。不过这些都是后话了——本章只是带你认识 BBKNN，后面的章节我们会详细拆解每个参数。