1. 单细胞整合概述：批次效应来源、整合目标、主流方法简介

做过单细胞分析的都知道，数据整合是个绕不过去的坎。你费尽心思跑了几个样本，想合并到一起做联合分析，结果一投影——样本各自抱团，明明相同的细胞类型却因为来自不同实验批次而分开。

嗯，这就是典型的批次效应。我最早接触这个问题时，还以为是细胞本身有差异，后来发现连同一个PBMC样本分两次测都能跑出两个群，这才明白技术差异有多严重。

1.1 什么叫批次效应？它从哪来的？

批次效应说白了就是非生物学因素导致的数据差异。你想想看，同样一种细胞，用不同试剂、不同仪器、不同时间测，得到的表达量就是不一样。这些都是干扰信号，不是我们想要的生物学变异。

我根据自己的经验，把常见的批次效应来源整理了一下：

• 样本捕获与建库差异：不同批次的建库试剂盒、反转录效率不同，甚至同一个实验员操作手法的波动都会引入偏差。
• 测序平台/仪器差异：10X Genomics 不同版本、Illumina 不同机型，测序深度、reads 错配率都不一样。
• 实验时间与操作：今天做的样本和上个月做的样本，环境温度、试剂保存状态都变了。
• 样本处理与冰冻时间：新鲜组织 vs 冻存组织，单细胞解离时细胞活率差异很大。
• 批次内多重效应：最隐蔽的是同一次实验内也有微批次效应，比如芯片不同泳道。

我曾经在整合3个公开数据集时发现，明明是同一个器官的正常细胞，仅仅因为数据集来源不同，在tSNE上就拉开了“楚河汉界”。当时花了好几天才排查出是测序平台不同导致的——那次之后我就养成了先检查技术变量的习惯。

1.2 整合的目标到底是什么？

很多人以为整合就是“把所有样本的数据拼在一起”，其实远没那么简单。真正整合要回答三个问题：

1. 消除批次偏差：相同细胞类型的表达谱在不同批次间应该对齐，而不是各自站队。
2. 保留生物学差异：真正的细胞类型、分化状态、疾病相关变化必须保留，不能因为校正而被抹平。
3. 维持数据原始结构：校正后的数据最好能恢复成类似“同一批次测出来的”状态，便于后续差异分析、轨迹推断等。

我用一个简表说明整合前后的变化：

维度	整合前	整合后
PCA/UMAP投影	样本各自聚集，互不重叠	相同细胞类型跨样本混合
聚类结果	聚类群可能按样本分	聚类群按细胞类型分
差异基因检测	大量技术差异基因干扰	只保留生物学差异基因

1.3 主流方法有哪些？

现在市面上的整合方法少说也有十几种，但真正被社区广泛验证、好用的就那么几个。我把它们分成两类：

• 基于匹配细胞对的方法：CCA（Seurat Canonic Correlation Analysis）、MNN（Mutual Nearest Neighbors）。它们通过寻找跨数据集的“互近邻”或“高度相关”的细胞对来建立校正锚点。
• 基于嵌入对齐的方法：Harmony、scVI（深度学习生成模型）、BBKNN。它们不依赖显式的细胞匹配，而是通过在低维空间中对齐每个数据集的分布来校正。

具体技术特点我习惯用下表对比（这里只列我们课程会重点讲的两种）：

方法	原理核心	适用场景	计算资源	保留生物学细节
CCA (Seurat)	寻找跨数据集的共享相关维度	中等数据集（<50万细胞），且细胞类型已知或关系清晰	内存中等，需逐步锚点计算	较好，尤其适合跨物种或不同模态整合
Harmony	在PCA空间迭代调整软聚类质心	大型数据集（百万级细胞），批次数量多	速度快，可扩展性好	优秀，对精细状态变化敏感

代码上，这两种方法的调用其实很简洁。以R语言为例：

# Seurat CCA 整合流程
merged_obj <- NormalizeData(merged_obj) %>%
  FindVariableFeatures(selection.method = "vst", nfeatures = 2000) %>%
  RunPCA(npcs = 30) %>%
  FindIntegrationAnchors(dims = 1:30) %>%
  IntegrateData(dims = 1:30)

# Harmony 整合流程
merged_obj <- NormalizeData(merged_obj) %>%
  FindVariableFeatures(selection.method = "vst", nfeatures = 2000) %>%
  ScaleData() %>%
  RunPCA(npcs = 30) %>%
  RunHarmony(group.by.vars = "sample_id")

看到没有？Harmony 的接口更直接，一行 RunHarmony 就完成了校正。而 Seurat CCA 需要先找锚点再整合，步骤多一些，但这也给了你更多的控制权。

1.4 我为什么选 Harmony 和 Seurat CCA 做专题？

市面上方法虽多，但实际项目中用得最多的就是这两家。我自己参与过十几个单细胞项目，从肿瘤到免疫图谱，几乎都离不开这两个工具。CCA 方法论积淀深，适合理解整合的数学原理；Harmony 工程化好，处理大规模数据又快又稳。

更重要的是，这两个方法正好代表两种不同的技术路线——基于锚点匹配 vs 基于嵌入对齐。搞懂它们，再学其他方法（比如 scVI、MNN）就会触类旁通。

下面的SVG图梳理了本章的核心知识结构，帮大家建立整体框架：

好了，这一章我们理清了批次效应的来源、整合的目标是什么、以及市面上主流的方法都有哪些。从下一章开始，我会带着大家一起手撕 CCA 的数学原理，看看它到底是怎么找到那个“共享低维空间的”。