3. 批次效应可视化：t-SNE与UMAP检测技巧
先问一个问题：你合并多个数据集后，画个PCA图发现不同批次的数据各自抱团，是不是第一反应就是“完蛋，有批次效应”？
其实未必。有些批次差异是生物学本身带来的，不能一棍子打死。这章我就带你用t-SNE和UMAP这两个降维可视化利器，把批次效应“看”出来。我用过的项目里，至少一半的批次效应问题是在图上直接发现的——比任何统计检验都直观。
3.1 为什么降维可视化对批次效应这么有效？
高维数据你没法直接画点，PCA虽然快但本质是线性投影，很多非线性偏移它抓不住。t-SNE和UMAP都是非线性方法，能把局部相似结构在二维平面里拉开，让你一眼看清样本到底是按生物学分组聚类，还是按批次分组聚类。
核心判断原则：好的批次校正后，不同批次的同类型细胞/样本应该混在一起，而不是各自成一团。
3.2 t-SNE与UMAP的快速对比
| 特性 | t-SNE | UMAP |
|---|---|---|
| 基本原理 | 概率分布匹配 + KL散度 | 拓扑流形 + 交叉熵 |
| 速度 | 慢（O(n²)） | 快（接近O(n log n)） |
| 全局结构保留 | 弱（只顾局部） | 较好（兼顾局部+全局） |
| 适用场景 | 小数据集、精细局部结构 | 大数据集、需要速度 |
| 随机性 | 每次运行结果略有不同 | 更稳定，可设置随机种子 |
我个人习惯：先用UMAP做快速排查，如果发现可疑的批次分离，再用t-SNE放大细节确认。别在一开始就用t-SNE调参，那太费时间了。
3.3 用Python跑起来：scanpy示例
假设你已经有了一个AnnData对象 adata，里面包含来自两个批次（batch1, batch2）的细胞，并且已经做了基本归一化。
import scanpy as sc
# 先做PCA降维到50个主成分（降低噪声）
sc.tl.pca(adata, n_comps=50, svd_solver='arpack')
# UMAP计算
sc.pp.neighbors(adata, n_neighbors=15, n_pcs=50)
sc.tl.umap(adata)
# t-SNE计算（scanpy内部调用openTSNE，速度还行）
sc.tl.tsne(adata, n_pcs=50, perplexity=30)
# 用批次信息着色
sc.pl.umap(adata, color='batch', title='UMAP colored by batch')
sc.pl.tsne(adata, color='batch', title='t-SNE colored by batch')我曾经踩过一个坑：直接对原始count数据跑t-SNE，结果所有细胞挤成一坨，根本看不出结构。PCA降维这步不能省，去掉高维噪声才能让t-SNE、UMAP发挥效果。
3.4 如何解读图上的批次效应？
图上会看到两种典型情况：
- 完全分离：两个批次各自形成独立簇，中间没有过度细胞——这基本就是严重的批次效应，必须校正。
- 部分重叠但颜色不均匀：两个批次在空间上有交叉，但某个区域里几乎全是批次A，另一块全是批次B——这种也需要关注，可能批次效应叠加了生物学差异。
- 均匀混合：每个局部区域里两个批次的点大致均匀分布——恭喜，说明批次效应不显著，或者你的数据本身采集得很好。
3.5 定量辅助：用kNN比例评分
光看图不够客观？我经常用一个简单指标：计算每个细胞周围最近邻中来自同批次的占比，然后取所有细胞的平均值。如果这个值明显大于总体批次比例，说明存在局部聚集。
from sklearn.neighbors import NearestNeighbors
import numpy as np
# 用UMAP坐标计算
umap_coords = adata.obsm['X_umap']
batch_labels = adata.obs['batch'].values
nbrs = NearestNeighbors(n_neighbors=20, algorithm='ball_tree').fit(umap_coords)
distances, indices = nbrs.kneighbors(umap_coords)
neighbor_batch = batch_labels[indices]
same_batch_ratio = np.mean(neighbor_batch == batch_labels[:, None], axis=1)
print(f"Mean same-batch ratio: {np.mean(same_batch_ratio):.3f}")小提示：如果这个比值超过0.6（假设总体批次比例各占50%），我就倾向于认为有批次效应需要处理。
3.6 批次效应检测流程总图
下面这张SVG把整个过程串起来，省得你回头翻代码：
3.7 注意事项与避坑
避坑1：别只用一种可视化方法。我遇到过UMAP显示混合完美，t-SNE却暴露出两个小亚群完全被批次分开的情况。两种方法互补，交叉验证更可靠。
避坑2：perplexity（t-SNE）和n_neighbors（UMAP）这两个参数对结果影响很大。默认值（t-SNE 30，UMAP 15）不一定适合你的数据。如果细胞数超过10万，把perplexity放大到50-100试试，否则小簇会被忽略。
实用技巧：画图时把批次和生物学分类（如细胞类型）分别着色放在同一张图旁边对比。如果批次分离恰好与某个稀有细胞类型重合，那可能不是批次效应，而是该类型只在某一个批次中出现。这种情况需要用harmony或ComBat做轻度校正，保留生物学差异。
嗯，到这步你已经能通过可视化判断批次效应的强弱了。下一线项目里，我会在跑任何校正算法之前，先花5分钟做一遍t-SNE+UMAP双图诊断。很多时候，一张图就告诉你该不该继续往下走了。