📚 课程目录第2章单细胞数据整合概述

单细胞数据整合概述：为什么需要整合，常见整合方法

做过单细胞项目的朋友都知道，整合（Integration）几乎是每次数据分析逃不掉的一步。说白了一句话：一个样本不够，多个样本凑。但凑完麻烦就来了——你可能拿到十几个样本，每批次测序深度、细胞捕获效率都不一样，甚至有的是10x v2，有的是v3。如果不整合，聚类出来同一个细胞类型却分成了几团，你根本分不清是生物学差异还是技术噪声。

核心目标：消除批次效应，保留真实生物学变异。

为什么需要整合？

我刚开始做单细胞时特别天真，觉得把多个样本的count矩阵直接合并，跑个PCA就能出结果。结果画UMAP一看，嗯，样本1的T细胞和样本2的T细胞隔了十万八千里。这就是典型的批次效应，不是生物学差异。

具体来说，需要整合的场景包括：

同一个实验的不同批次：比如上午做一批，下午做一批，试剂配比可能有点漂移。
不同测序平台：10x vs Smart-seq2 vs Drop-seq，捕获效率差很多。
不同组织或疾病状态：正常vs患病，需要找到共有的细胞类型。
多模态数据：CITE-seq同时有RNA和蛋白数据，你要把两个模态对齐。

如果不整合，直接合并聚类，你可能看到的是：

UMAP上同一cluster被批次标签完全分开
不同批次间marker基因表达不一致
差异分析结果被批次效应污染

所以整合不是什么高级选项，而是多样本分析的前置必要条件。我曾经在一个大项目里，跳过整合直接分析，结果发现「差异基因」全是批次特异性基因，被审稿人追问了好几个月，教训够深刻。

个人经验：拿到数据先画个UMAP按样本染色，如果不同样本的细胞混在一起，说明批次效应小；如果分成明显几坨，别犹豫，直接开始整合。

常见整合方法概览

现在常用的整合方法，有三大经典派系：基于锚点的（Seurat）、基于校正的（Harmony）、基于深度学习的（scVI）。每一种都有它的脾气，选哪个取决于你的数据规模、计算机资源，以及你有多想手动调参。

方法	核心思路	适用场景	我使用频率
Seurat（CCA+MNN）	找锚点（anchor），再通过相互最近邻变换	中等规模数据（几万细胞），单机即可	⭐⭐⭐⭐⭐
Harmony	在PCA空间做迭代软聚类校正	大规模数据（几十万细胞），速度快	⭐⭐⭐⭐
scVI（scVI-tools）	变分自编码器，学习隐含的批次无关表征	超大型数据，多批次，多模态	⭐⭐⭐

Seurat 整合

Seurat是目前R语言单细胞分析的扛把子。它的整合思路是：先找不同数据集之间的「锚点」细胞对，然后用这些锚点来校正表达矩阵。说白了，就是找到跨批次最相似的细胞对，用它们做桥梁。

基本步骤：

对每个样本分别做标准化、选高变基因。
使用 FindIntegrationAnchors 找锚点。
用 IntegrateData 生成校正后的表达矩阵。

代码示例（R）：

library(Seurat)
# 假设有一个 list，包含多个 Seurat 对象
anchors <- FindIntegrationAnchors(object.list = seurat_list, dims = 1:30)
integrated <- IntegrateData(anchorset = anchors, dims = 1:30)

# 后续正常做标准化、UMAP等
integrated <- ScaleData(integrated)
integrated <- RunPCA(integrated)
integrated <- RunUMAP(integrated, dims = 1:30)

注意：Seurat整合会返回一个新的Assay，叫"integrated"。原来的RNA Assay还在，但作图时默认用integrated的降维结果。

我遇到过新手把Seurat整合后的矩阵直接拿去做差异分析，结果发现所有基因表达都被平滑了，差异分析几乎没结果——这是错误的用法，差异分析要回到原始RNA Assay。

Harmony 整合

Harmony是Python和R双语言的整合利器。它的做法是在PCA空间里，通过一种叫「迭代模糊聚类」的方法，把相似的细胞往一起拉，同时保留批次内部的变异。

我自己的感觉：Harmony速度很快，适合几十万细胞的超大数据集。而且它的参数少，基本就是调个 theta 和 lambda，省心。

Python示例（scanpy环境）：

import scanpy as sc
import harmonypy

# 假设 adata 已经做过 PCA
ho = harmonypy.run_harmony(
    adata.obsm['X_pca'],
    adata.obs,
    vars_use='batch',
    max_iter_harmony=10,
    do_pca=False
)
adata.obsm['X_pca_harmony'] = ho.Z_corr.T

# 用校正后的pca做umap
sc.pp.neighbors(adata, use_rep='X_pca_harmony')
sc.tl.umap(adata)

R版本就更简单了，直接集成在Seurat的管道里：

library(Seurat)
library(harmony)
# 先跑标准PCA
pbmc <- RunPCA(pbmc)
# 用harmony校正
pbmc <- RunHarmony(pbmc, group.by.vars = "batch")
# 后续用harmony降维结果
pbmc <- RunUMAP(pbmc, reduction = "harmony")

避坑指南：Harmony默认假设你已经有好的PCA。如果PCA本身被批次扭曲得太严重，Harmony效果会打折。我一般会先检查一下PCA的前几个主成分是否被批次主导，如果PC1按样本分开，那Harmony正好派上用场。

scVI 整合

scVI是深度学习派代表，基于变分自编码器（VAE）。它会学到一个低维的隐变量，这个隐变量不受批次影响，但保留了生物学变异。

说人话就是：你把原始count矩阵和批次标签喂给它，它自己学出一个「干净」的细胞表征。而且scVI还能处理不同测序深度、零膨胀等问题。

不过代价是：需要GPU，训练时间较长，而且对新手来说调参可能需要一点经验。

Python安装与使用示例：

pip install scvi-tools

import scvi
import scanpy as sc

# 加载数据
adata = sc.read("my_data.h5ad")
# 确保 batch 信息在 adata.obs 中
scvi.model.SCVI.setup_anndata(adata, batch_key="batch")

# 创建模型
model = scvi.model.SCVI(adata)
# 训练
model.train()

# 获取校正后的降维结果
latent = model.get_latent_representation()
adata.obsm['X_scVI'] = latent

# 后续邻居和UMAP
sc.pp.neighbors(adata, use_rep='X_scVI')
sc.tl.umap(adata)

选择建议：

数据量 < 5万细胞，用Seurat（R用户首选）或Harmony（Python/R通用）。
数据量 5-50万，Harmony 最快最稳。
数据量 > 50万，或者多模态数据（比如CITE-seq），上scVI。
如果你不会调深度学习参数，先试Harmony，再考虑scVI。

三种方法优劣势对比

我整理了一个表，方便你按项目需求快速决策。

维度	Seurat	Harmony	scVI
语言环境	R	R + Python	Python
是否依赖原始count	是	否（PCA后）	是
计算资源	内存相对高	CPU/内存均衡	GPU必需
保留全局结构	偏保守，容易过度校正	适中	灵活性最大
可解释性	高（锚点可解释）	中	低（黑盒）
我踩过的坑	整合后差异分析用错Assay	PCA质量差时校正无效	模型不收敛，需要调learning rate

知识体系框架

我把本章的核心逻辑画成了一张图，方便你理解整合在整个单细胞流程中的位置，以及方法之间的关系。

这张图展示了整合的基本流程：从原始数据出发，识别批次效应，选择合适方法（Seurat/Harmony/scVI），得到校正后的表征，然后做下游分析。而咱们这门课的核心——kBET和LISI——正是用来校验整合效果的工具。别只看整合跑完就算完，没有校验的整合等于盲打。

我的选择建议

作为过来人，我建议你按这个思路来：

先跑Seurat（如果你用R），或者先跑个简单的Harmony（Python），快速看到结果。
用kBET/LISI检查一次整合质量（我们后面章节会详细讲）。如果分数不行，再换方法。
数据量超大时，直接上scVI，但记得提前准备GPU。

别纠结哪个方法「最好」。我做过对比实验，同一个数据集，Seurat、Harmony、scVI三个跑出来的UMAP看起来差异不大。真正有区别的是你对下游分析的把握，以及整合后校验是否到位。