📚 课程目录第4章 Harmony vs 其他整合方法

4. Harmony vs 其他整合方法：一场硬碰硬的比较

讲完Harmony的实战操作，咱们得聊聊它跟其他整合方法到底有什么区别。我入行那会儿，单细胞整合还停留在“暴力MNN”的阶段，后来Seurat CCA火了一把，再后来scVI又来凑热闹。说白了，每种方法都有自己的脾气。今天就掰开了讲清楚。

  核心问题一览：
  什么时候该用Harmony？什么时候该用CCA？
MNN那个“配对”逻辑到底优在哪、坑在哪？
scVI带来的“神经网络光环”有没有必要？
四者整合后的下游分析（差异表达、聚类等）表现到底谁稳？

4.1 Harmony vs Seurat CCA 整合

这是最常见的一对对比，也是我经常被学员问到的点。先看逻辑本质——CCA找的是“跨批次共享的基因共变异信息”，Harmony做的是“软聚类+迭代纠偏”。嗯，这里面差别大了。

对比维度	Harmony	Seurat CCA
核心算法	软聚类 + 迭代校正嵌入	典型相关分析 + 互近邻(MNN)修正
输入数据	主成分(PC)空间	基因表达 / 特征基因
适用场景	大样本、复杂批次、细胞类型差异显著	批次间共享亚群较多
计算资源	中	高（尤其特征选择+CCA计算）
整合后空间	Harmony纠正后的PC嵌入	CCA空间 + 锚点校正
保持生物学差异	较好（软聚类避免过融合）	良好（锚点加权保护稀有细胞）

个人经验： 如果批次之间细胞类型组成差异大（比如一个样本全是T细胞，另一个全是B细胞），CCA容易把不该拉近的细胞强行拉到一起。Harmony的软聚类反而更安全。我做过一个胃癌数据集，三个批次分别富集了不同免疫亚群，CCA整合完有一部分记忆T细胞居然跟中性粒细胞混在一起，Harmony就没这问题。

代码层面的调用区别也很直接：

# Harmony 整合
harmony_embedding <- RunHarmony(
  object = seurat_obj,
  group.by.vars = "batch",
  reduction = "pca",
  dims.use = 1:30,
  max.iter.harmony = 10
)

# Seurat CCA 整合（经典老版本思路）
anchors <- FindIntegrationAnchors(
  object.list = list(obj1, obj2),
  dims = 1:30,
  anchor.features = 2000
)
integrated <- IntegrateData(
  anchorset = anchors,
  dims = 1:30
)

# Seurat v5 整合（新版）
integrated <- IntegrateLayers(
  object = seurat_obj_list,
  method = "CCAIntegration",
  orig.reduction = "pca"
)

看到区别没？Harmony一行就搞定，集成到Seurat流程里简直丝滑。CCA需要两步走——先找锚点，再整合数据。我曾经在生产流程里做过对比，100k细胞的数据，Harmony跑完大概2分钟，CCA跑了快15分钟加内存吃紧。

4.2 Harmony vs MNN 整合

MNN（Mutual Nearest Neighbors）是更早的方法，也是不少老牌流程（如scran、batchelor）的核心。它的逻辑是：找到批次之间互为K近邻的细胞对，用这些“互近邻”来推测校正方向。

MNN的优缺点我直接列：

优点：
- 不需要同一种降维方法，适用性广
- 对批次间共享结构敏感，能保留稀有细胞
- 理论上可处理多批次
缺点：
- 配对计算开销随细胞数指数增长
- 如果两个批次没有共享的细胞类型，MNN找不到配对，整合直接崩
- 参数敏感（k值、度量距离等）
- 校正后的空间不稳定，多次运行结果有差异

举个例子你就明白了。MNN就像找“双胞胎”——两个批次里长得最像的细胞，用它俩的差异来推其他细胞该往哪里挪。可如果两个批次里根本没有双胞胎呢？

亲身踩坑： 我在一次跨物种整合（小鼠vs人）时用了MNN，结果大部分MNN配对的置信度极低，整合后两个物种的细胞反而更分散了。Harmony靠的是全局结构信息，不需要特定的配对，这种情况下表现稳得多。

而且MNN整合后的嵌入是逐对校正的，如果把三个批次合并，需要先校正A与B，再校正AB与C，这个过程会丢失一些信息。Harmony是一次性把所有批次嵌入到一个共同的“软聚类空间”里，信息损失最小。

4.3 Harmony vs scVI 整合

scVI是这两年火起来的深度学习方法。它通过VAE（变分自编码器）在生成数据的同时也学习批次校正。听起来很酷对吧？我一开始也觉得这玩意儿是黑科技，但真用下来发现事情没那么简单。

对比维度	Harmony	scVI
算法范式	基于聚类/优化的经典方法	基于深度学习的生成模型
运行速度	快（O(n)级，n为细胞数）	慢（需要收敛验证，GPU为佳）
可解释性	高（校正过程透明，参数可控）	低（隐变量、黑盒子）
数据要求	低（普通表达矩阵即可）	高（需要GPU、大内存、数据量10k+）
灵活度	中等（主要支持PC/UMAP空间）	高（可同时做降维、校正、差异表达）
整合后质量	稳定，批次融合均匀	波动（取决于模型训练充分度）

为什么会这样？ scVI的底层逻辑是：我帮你把批次成分“解释掉”，把真正的生物学变异保留下来。听起来很完美，但实际操作中，如果数据量不够大（比如只有几千个细胞），VAE学不到可靠的潜空间。而且，训练网络需要调超参，如果epoch设少了，整合效果还不如直接用Harmony。

# scVI 训练代码示例（用scvi-tools包）
import scvi
import scanpy as sc

adata = sc.read_h5ad("your_data.h5ad")
scvi.model.SCVI.setup_anndata(adata, batch_key="batch")
model = scvi.model.SCVI(adata)
model.train(max_epochs=400)

# 提取校正后的嵌入
scvi_latent = model.get_latent_representation()

# scVI 同时也做差异表达
de_results = model.differential_expression(
    adata,
    groupby="cell_type",
    batch_correction=True
)

我的习惯： 只有做特别精细的下游分析（比如差异表达、基因调控网络推断）时，我才考虑用scVI。日常QC、聚类、可视化，Harmony又快又稳，没必要上大炮打蚊子。

4.4 终极对比：一张图看清四者差异

我动手画了张对比图，把这些整合方法按“校正粒度”和“计算开销”两个维度排了个位。你一看就明白了。

4.5 经验总结：怎么选？

说了这么多，我给出自己的选择树。你照着这个思路来，基本不会踩大坑：

  细胞数10万+，批次多（3+）： 直接用Harmony。效率和效果最平衡。
批次少（2-3），且共享细胞类型明确： Seurat CCA也不错，但跑Harmony不会错。
跨物种、跨平台、或者数据噪音大： 首选Harmony。MNN容易找不到配对，CCA对特征选择有要求。
重度下游分析（差异表达、细胞轨迹）： 可以用scVI的潜空间，但建议同时跑Harmony做对比验证。
需要可重复、透明化的生产环境： Harmony胜出。参数少，同一数据跑N次结果一样。

最后再啰嗦一句： 我见过有人把四种方法全跑一遍，然后选“看起来最好看的UMAP”—千万不要这样！应该在选方法前就明确你的生物学问题是什么。你是找稀有细胞？做差异表达？还是构建细胞图谱？不同目标适配不同方法。