1、课程介绍：批次效应的概念、为什么需要校正、Match between runs参数在单细胞整合中的作用
嗯，我们先从一个让人头疼的场景说起——
你辛辛苦苦跑完两个单细胞样本，一个今天测的，一个上周测的。UMAP一画，唉？同一个细胞类型居然分成了两坨，各自抱团。这可不是你想要的生物学差异，而是批次效应在作怪。
我个人习惯把批次效应叫做「数据的出身印记」。样本在哪天做、谁操作机器、用的试剂盒批号，甚至实验室当天的湿度，都会偷偷刻进数据里。你想想看，这明明是技术噪声，却被误读成生物学信号，多冤枉。
今天这门课，咱们就专门解剖Match between runs这个参数，看它怎么在单细胞整合中搅局，又怎么被我驯服。
1.1 什么是批次效应？
批次效应，说白了就是非生物学因素引起的系统性偏移。同一个细胞类型，在不同实验批次里测出来的表达谱就是不一样。
常见的来源：
- 实验操作差异：不同操作人员、不同加样枪
- 试剂批次：抗体批次不同、10X试剂盒版本差异
- 测序深度：两个样本跑在不同测序仪上
- 时间跨度：间隔数月的重复实验
我记得有一次做T细胞亚群分析，前后两批样本分别来自4月和8月。UMAP图上，CD8+记忆T细胞本该是同一群，结果硬生生被分成左右两个「岛」。排查了半天，发现是4月那批用了旧版10X试剂盒，umi计数偏低。这就是典型的批次效应。
我曾经在整合五个数据集时，没检查批次效应就直接合并聚类。结果cluster 3里混进了两批不同的上皮细胞，后续所有差异分析全都假阳性。从那以后，我每次整合前必定先做MDS或PC1-2的批次着色检查，绝不偷懒。
1.2 为什么需要校正？
如果不校正，你后面做的一切分析都可能建立在一个错误的前提上——把技术噪声当成了生物学差异。
具体后果：
- 聚类偏倚：相同细胞类型因为批次分开，变成多个虚假簇
- 差异表达假阳性：找出的「marker基因」其实是批次相关基因
- 整合失败：不同数据集之间无法对齐，跨研究分析变成废纸
你想想看，如果一篇论文说「发现了新的稀有细胞亚群」，结果只是批次效应的产物，那可就尴尬了。所以校正不是锦上添花，是必修课。
1.3 Match between runs参数在单细胞整合中的作用
说到整合，目前主流工具（Seurat、Harmony、scVI、BBKNN）都有一个关键选项——Match between runs。这个参数到底在干什么？
以Seurat的FindIntegrationAnchors为例，这个参数控制着锚点对的搜索范围。默认是FALSE，意思是搜索锚点时只考虑跨样本的细胞对；如果设为TRUE，则也会考虑同一样本内部的细胞对。
影响很微妙：
- 设为
TRUE：样本内相关性强的细胞也会被选为锚点，整合更平滑，但可能过度拉近距离，抹掉真实差异 - 设为
FALSE：仅强制跨样本匹配，批次校正更保守，但可能保留微小批次残留
我在一个包含肿瘤浸润T细胞和正常外周血T细胞的项目里做过对比。开Match between runs = TRUE后，肿瘤T细胞和正常T细胞被强行融合，连效果T和耗竭T的边界都模糊了。后来换成FALSE，生物差异才清晰体现。嗯，这里要特别注意。
Match between runs像一把「精度旋钮」——旋得太紧，真假不分；旋得太松，批次残留。具体调多少，要看你的生物学问题。
下面这张图展示了我整理的批次效应产生、校正与整合的核心逻辑：
如果你处理的样本量很大（比如 >10个），我建议先用
TRUE跑一个快速预览，看看整合轮廓。然后再用FALSE跑一次精细校正，对比差异。这种「双跑验证」习惯帮我排过不少雷。
1.4 本章小结
总结一下，我们这一章的核心认知就三点：
- 批次效应是技术噪声，不是生物学信号，不校正就会误导所有下游分析。
- 校正不是无差别抹平，而是在保留真实差异的同时消除技术偏移。
Match between runs参数决定了校正的「松紧度」——选TRUE容易过融合，选FALSE更保守但有残留风险。
我个人倾向于先保守（FALSE），再按需收紧。毕竟，少校正比过度校正更容易被察觉和补救。
嗯，概念讲清楚了。后面我们就会深入Seurat和Harmony的代码实现，看看这个参数在底层到底怎么改锚点和权重。做好准备，马上动手。