第3章：BBKNN算法简介与发展历程
3.1 什么是BBKNN？先说说我的第一印象
我第一次接触BBKNN，是在处理一个让人头疼的数据集。
那会儿我还在做小鼠脑组织的单细胞项目，样本来自三个不同批次。
用PCA降维一看，三团数据各自为政，根本看不出生物学差异。
我说白了，这就是批次效应的典型表现——技术差异盖过了生物学信号。
BBKNN，全称是 Batch Balanced K-Nearest Neighbors。
它是一种基于图的批次校正方法。嗯，跟scVI那种深度生成模型不同，BBKNN走的是轻量级路线。
它不修改原始数据，也不做复杂的概率建模。
它只做一件事：重新构建细胞之间的邻域关系。
核心思想一句话： BBKNN 不改变你的基因表达矩阵，它只改变你画在UMAP或t-SNE上的拉帮结派方式。
3.2 BBKNN的核心思想：跨批次找邻居
你想想看，普通KNN是怎么找邻居的？它只考虑空间距离最近的k个细胞，不管这些细胞来自哪个批次。
这样做有个致命的问题——如果批次效应很强，你的邻居基本都来自同一个批次。
结果呢？UMAP图上每个批次自成孤岛，你根本分不清哪些差异是真实的。
BBKNN的做法更聪明：它要求每个细胞必须在 每个批次中都找出若干最近邻。
假设你有3个批次，每个细胞要找总共k个最近邻，那它从批次1找k/3个，从批次2找k/3个，从批次3找k/3个。
这就叫"平衡"。说白了，强制让每个细胞去连接其他批次的兄弟。
避坑提醒： 我曾经在只有2个批次、但样本量极度不平衡（批次1有5000细胞，批次2只有200）的数据上用过BBKNN。结果发现批次2的细胞几乎成了"稀有资源"，每个细胞都被很多批次1的细胞强行拉近。效果反而不如传统的方法。所以，样本量悬殊过大时，要谨慎使用。
3.3 BBKNN的发展历程：从一篇论文到生态工具
BBKNN这个点子，最早是2019年发在 Bioinformatics 上的，属于一篇方法学短文。
我记得当时读这篇论文的感觉——简洁，但够用。
它没有复杂的神经网络，没有变分推断，就是一个基于图的启发式方法。
你可能会问：这种简单的东西，在深度学习横行的年代，还有用吗？
嗯，我当时也这么想。直到我在一个百万级细胞的数据集上跑scVI，跑了整整两天...而BBKNN只花了不到十分钟。
后来BBKNN被整合进了 Scanpy 生态。这步很关键。
它不再只是一个单独的工具包，而是成为scRNA-seq标准流程里的一个可选步骤。
具体来说，在 sc.pp.neighbors 函数里，你可以设置 method='bbknn' 来调用它。
| 时间 | 里程碑 | 关键变化 |
|---|---|---|
| 2019 | 原始论文发表 | 提出BBKNN算法，基于kNN图平衡采样 |
| 2020 | 集成到Scanpy生态 | 通过 sc.external.pp.bbknn 可调用 |
| 2021 | 性能优化版本 | 支持AnnData对象，大矩阵近似计算 |
| 2022-至今 | 成为批次校正基线方法 | 多篇benchmark论文将其作为对比基准 |
3.4 BBKNN的变体与衍生方法
BBKNN的成功，催生了不少基于图的修正方法。我个人习惯把它们归为三大类：
- 原始BBKNN：强制批次平衡，适用于批次效应中等、批次间细胞类型有重叠的情况。
- Harmony：迭代式软聚类方法，某种程度上吸收了BBKNN的"跨批次平衡思想"，但用了统计校正机制。
- scArches：专门用于参考图谱映射的模型，技术上参考了BBKNN的图构建策略。
为什么会有这些衍生方法？
因为BBKNN的缺点也很明显——它假设不同批次的细胞类型是一致的。如果批次A有细胞类型X，批次B没有，那BBKNN会强行把类型X的细胞与非对应的细胞配对，结果就是模糊了生物学结构。
重要提示： 如果你处理的批次之间存在严重的细胞类型差异（好比一个批次全是肿瘤细胞，另一个批次全是正常细胞），BBKNN的表现不会太好。你想想看，它强迫每个细胞去其他批次找邻居，但人家根本没有同类细胞可找啊。
3.5 BBKNN的发展脉络：一张图看懂
下面这张图，把BBKNN的发展脉络和核心逻辑画在一起了。
从原始方法出发，到生态整合，再到衍生变体。
嗯，这是我在准备课程时自己梳理的框架，你可以把它当成一个快速回顾的地图。
3.6 实际场景：BBKNN到底能解决什么问题？
我遇到过很多初学者，一上来就问："BBKNN和scVI，哪个更好？"
其实这种问题本身就问错了。它不是"更好"的问题，而是"更适合"的问题。
自测方法： 你可以在运行BBKNN之前先画一个简单的UMAP图。如果不同批次之间虽然有偏移，但细胞类型的分布模式大致相同，那BBKNN大概率能行。如果批次之间连细胞类型的轮廓都变了，那就别挣扎了，上scVI吧。
BBKNN最适用的场景，我列了三条：
- 快速预览：你刚拿到数据，想快速看看整合效果。BBKNN几秒钟就能出结果。
- 超大样本：百万级细胞的数据集。用scVI会等很久，BBKNN能帮你省下大量时间。
- 批次效应中等：批次之间细胞类型基本一致，只是存在一些技术偏移。
3.7 代码实操：一行代码跑BBKNN
说了这么多，不如直接看代码。在Scanpy里，BBKNN的调用方式很简单：
import scanpy as sc
import scipy.sparse as sp
# 假设你已经有了一个AnnData对象 adata
# adata.obsm['X_pca'] 是PCA降维后的结果
# 方法一：直接使用sc.external.pp.bbknn
sc.external.pp.bbknn(adata, batch_key='batch')
# 方法二：在sc.pp.neighbors中指定method
sc.pp.neighbors(adata, n_neighbors=15, n_pcs=30, method='bbknn')
# 然后用UMAP可视化
sc.tl.umap(adata)
sc.pl.umap(adata, color='batch')注意： 运行BBKNN之前，必须保证 adata.obsm['X_pca'] 已经存在。BBKNN不处理原始表达矩阵，它在PCA空间里找邻居。我曾经在项目中忘记做PCA，直接拿原始矩阵去跑BBKNN，结果报了一堆错——这就是不看文档的血泪教训。
我个人习惯的做法：先用 sc.tl.pca 降维到30~50个主成分，然后再调用BBKNN。这样能避免高维噪声对邻居检索的干扰。
3.8 小结：BBKNN适合谁用？
说实话，BBKNN不是万能的。但它非常实用——尤其是当你需要快速做数据预览，或者样本量很大的时候。
它的发展历程，其实就是单细胞数据处理从"手工特征工程"走向"自动化流程"的一个缩影。
从原始论文到生态整合，再到成为基准方法，BBKNN证明了：简单的方法，如果设计得巧妙，依然可以长久的生命力。
嗯，回头说一句，我至今仍会在预处理阶段先用BBKNN跑一版看看结果。如果效果不错，就继续往下做差异表达分析。如果效果一般，我才会切换到scVI或者Harmony。
这叫"先试简单的，不行再上重的"——工作中的一条实用原则。