为什么单细胞数据整合绕不开批次效应
单细胞测序技术这几年火得不行，我身边不少做肿瘤免疫、发育生物学的朋友都在跑 scRNA-seq 项目。但你有没有遇到过这种怪事：同一个样本，今天测和下周测，UMAP 上的细胞群就是合不到一起？明明都是 CD8+ T 细胞，非要分居两地，好像在抗议一样。
嗯，这就是批次效应。它不是什么玄学，而是一个你必须正视的技术事实。我个人在处理超过 20 套公共数据集后，感受特别深——批次效应如果不处理，后续所有差异分析、细胞注释、轨迹推断都是自欺欺人。这章我们就把它拆开来看，到底批次效应从哪来，又为什么非要用 Harmony 这样的整合工具才能搞定。
1.1 批次效应到底是什么？
批次效应，说白了就是非生物学因素带来的系统性差异。你处理一个样本时，从组织解离、反转录、建库到上机测序，每一步都有随机波动。一个批次里所有细胞共享这个波动，结果就是：相同生物学类型的细胞，在不同批次里表达谱会有偏移。
举个例子。我去年有一个项目，需要把两套来自不同中心的 PBMC 数据合并分析。一套用 10x Genomics v2 试剂盒，一套用 v3。按理说细胞类型应该一样吧？结果两套数据的 CD14+ 单核细胞在 PCA 上隔了老远，误差比 T 细胞和 B 细胞的距离还大。这不是生物学差异，这就是批次效应在捣乱。
批次效应 = 技术差异 + 环境差异 + 操作差异
它掩盖了真实的生物学信号，让数据分析者很难判断：某个基因上调，是因为细胞状态变了，还是仅仅因为今天用的试剂批号不同？
1.2 批次效应的主要来源
批次效应不是单一原因造成的，你想想看，从拿到样本到拿到数据，中间至少有四五个环节可能引入批次差异。我按个人经验整理了一个表，方便你对照自查。
| 来源分类 | 具体因素 | 典型影响 |
|---|---|---|
| 样本处理 | 解离酶、时间、温度、操作者 | 细胞活力不同，造成某些群过高或过低 |
| 建库试剂 | 试剂盒版本（v2/v3）、引物、酶 | 捕获效率差异，影响低表达基因检测 |
| 测序平台 | Illumina NovaSeq vs HiSeq，流动槽 | 测序深度、GC 偏好不同 |
| 时间跨度 | 室温、湿度、仪器校准状态 | 系统性偏移，尤其影响小样本量数据 |
| 批次标志物 | 实验设计本身（如 Day1/2 处理） | 伪生物学差异，容易误判 |
这里我特别要提醒一点：很多人在做数据整合时，会下意识把细胞类型当作已知标签，然后用它去矫正。这其实是个弯路——你矫正的目标恰好是你想要发现的东西。所以，一个好的整合方法不能依赖细胞类型先验知识。
1.3 批次效应的影响有多大？
我见过最夸张的一次，两份完全相同的 PBMC 样本，因为一个在周一建库、一个在周五建库，UMAP 上居然分成了两个独立的云团。这要是没人提醒，你可能就以为发现了两种新的细胞亚群。
具体来说，批次效应主要造成以下几类问题：
- 细胞群漂移：同一类型的细胞在不同批次中聚不到一起，甚至完全分离。
- 假阳性差异：原来不显著的基因，因为批次原因变得显著；反之亦然。
- 比例估计偏差：一个批次中细胞捕获效率低，导致某个亚群比例被低估，但实际上只是技术原因。
- 注释失败：跨批次聚类后，有些亚群边界模糊，无法用 marker 基因明确归属。
你可以把这个现象画成一张简单的概念图。我习惯用一个流程来理解：
注意：以上比例只是示例。实际项目中，即使细胞比例非常接近，批次效应仍可能让它们在嵌入空间里分家。千万不要只因为比例相似就认为整合是自动完成的。
1.4 为什么需要专门的整合方法？
你可能会想：直接合并数据，然后用常规的 PCA 降维不就完了？我当初也是这么试的。结果发现 PCA 会把批次方差当作最大方差方向，前两个主成分里混的全是批次信息，真实生物学变异被挤到后面去了。
普通标准化（比如 log-normalization）也救不了。一个基因在批次 A 中表达量整体偏高，在批次 B 中整体偏低，标准化只是放缩了一个样本内的分布，跨批次的系统偏移它无能为力。
所以我们必须用专门的整合算法。Harmony 就是其中之一，它的核心思路是：不要硬性要求所有细胞对齐到同一个参考空间，而是通过迭代软聚类 + 调整嵌入，让不同批次的相同细胞类型在低维空间里自然叠在一起。这和先找到锚点、再投影的 Seurat CCA 不同，也和 MNN 配对的做法不一样。
1.5 Harmony 的定位与优势
我在项目中比较过几种主流方法：Seurat CCA、scVI、Harmony。对于 10 万细胞以上的数据集，Harmony 的速度优势非常明显。而且它不需要 GPU，单机就能跑。另外一个我很喜欢的设计是：Harmony 不修改原始表达矩阵，只在 PCA 嵌入上做矫正。这意味着你随时可以退回原始数据做检查，不会丢失信息。
| 方法 | 原理 | 速度（~100k 细胞） | 是否需要 GPU | 是否保留原始表达 |
|---|---|---|---|---|
| Seurat CCA | 锚点 + 投影变换 | 中等 | 否 | 是（但需创建新对象） |
| scVI | 变分自编码器 | 慢（需要训练） | 是（推荐） | 否（生成矫正后表达） |
| Harmony | 迭代软聚类 + 嵌入调整 | 快 | 否 | 是（仅调整 PCA） |
我的建议：如果你刚开始做单细胞整合，又不想被复杂的神经网络调参折磨，Harmony 是最容易上手的选择。我自己所有 10 万级以内项目都用它来做第一轮整合，效果稳定，而且兼容 Seurat 和 Scanpy 两大生态。
1.6 什么时候必须谨慎使用整合？
嗯，到这里我想泼一盆冷水。整合不是万能的，甚至在某些场景下会帮倒忙。
- 当批次效应与生物学效应高度相关时：比如所有处理组在一个批次，对照组在另一个批次。这种情况下，Harmony 可能会把真实的处理效应也当作批次效应给抹掉。你必须在实验设计时就尽量把处理条件跨批次分布。
- 当样本极度不平衡时：一个批次只有 100 个细胞，另一个批次有 10 万个。Harmony 的迭代优化可能会被大样本批次主导，小批次信息丢失。
- 当细胞类型完全不一致时：比如一个批次是脑组织，另一个批次是血液，它们本来就没有重叠的细胞类型。强行整合只会制造虚假的连续状态。Harmony 会在没有共享细胞类型时收敛失败，这是它比较诚实的一点。
我曾经在一个项目中，把小鼠大脑的神经元和人 PBMC 合并分析——纯属需求测试。结果 Harmony 算法花了很长时间才收敛，最终嵌入把所有细胞聚成一个团。这是它告诉你：“对不起，我实在找不出可以对齐的共有的细胞类型。”
1.7 本章小结
一个数据看两天就上手跑 UMAP，很可能被批次效应误导。批次效应存在于每一个多批次项目中，它来自样本处理、试剂、测序平台等几十个细节。应对它的关键是：理解来源 → 评估影响 → 选择合适方法。
Harmony 在众多整合工具中，赢在速度快、不需要 GPU、不修改原始数据，而且使用门槛低。从下一章开始，我们会一步步动手实践：从安装、加载数据，到真正跑一次 Harmony 整合，再到检查矫正效果。
我会把自己的踩坑经历也揉进去，帮你少走弯路。