1. 课程介绍与目标：批次效应的来源与整合的必要性

你做过单细胞测序数据分析吗？

我猜你肯定碰到过这种情况：明明是同一种细胞类型，结果A样本和B样本的数据放在一起，聚类图上愣是分成了两团。你调参数、换marker，就是合不到一块儿。这时候你心里肯定犯嘀咕——是数据有问题？还是我的分析流程不对？

其实，这大概率不是你的锅。这就是咱们今天要聊的批次效应。

什么是批次效应？

说白了，批次效应就是非生物学差异。你想想看，同一个实验，隔了两周再做一遍，用的试剂可能是不同批号，操作的人可能换了一个，甚至实验室温度都不一样。这些因素都会在你的数据里留下烙印。

我个人习惯把批次效应分成两类：

• 技术性批次效应：不同建库批次、不同测序lane、不同试剂批次引入的噪声。这类效应一般来说校正起来相对容易。
• 生物学混杂：样本本身的来源差异，比如不同患者、不同组织位置。这类效应有时候会和真正的生物学信号纠缠在一起，处理起来更棘手。

批次效应的来源

我在项目中遇到过各种奇葩的批次效应来源。给你列个表，看看你碰到过几个：

你看，这些因素里有些是你能控制的，有些根本控制不了。所以与其追求完美消除批次效应，不如学会怎么管理和校正它。

为什么要做整合？

你可能要问了：既然批次效应这么烦，我干嘛不每个批次单独分析？

问得好。原因有两个：

1. 统计效力：单批次样本量太少，很多稀有细胞群根本看不出来。整合多个批次后，样本量上去了，统计分析才站得住脚。
2. 可比性：你想比较健康人和病人的细胞差异，结果因为批次不同而拉不开，或者因为批次不同而看起来有差异——这两种情况都会让你的结论毫无价值。

CCA与Harmony的定位

说到校正方法，市面上的工具不少。但在这门课里，我挑了两个最有代表性的：CCA和Harmony。为什么是它们？

• CCA（典型相关分析）：它是Seurat里最经典的整合方法。思路是找出跨批次共享的变异结构，然后把这些结构对齐。适合数据量适中、批次结构比较清晰的情况。
• Harmony：它走的是软聚类+迭代校正的路线。说白了，它先把所有细胞聚成一个个小簇，然后不断调整每个细胞的坐标，让不同批次的细胞在相同细胞类型的簇里混匀。它在超大样本量下表现特别稳。

我记刚入行那会儿，只敢用CCA。后来数据量大了，动辄几十万细胞，CCA算起来实在太慢。那时候才真正体会到Harmony的好。但反过来，有些精细的稀有细胞群，Harmony的强校正反而会把信号磨平。所以，从来没有一个万能方法。

知识体系总览

好，咱们理一下整章的核心逻辑。我画了一张图帮你快速建立框架：

这张图把咱们这章的逻辑串了起来。从批次效应的来源，到不校正的后果，再到CCA和Harmony的选型，最后落到评估。这就是后面29章要展开的内容骨架。