第 2 章 批次校正方法分类：线性、非线性与深度学习
做单细胞整合这几年，我碰到的第一个困惑就是：批次校正方法到底怎么选？ 打开工具列表——ComBat、MNN、scVI、Harmony、Scanorama……眼花缭乱。其实你只要抓住它们的底层逻辑，就能把几十种方法分成三大类：线性、非线性、深度学习。下面我按这个脉络，结合自己的项目经验，把每类的原理、适用场景和坑点跟你捋一遍。
我的建议： 选方法前先画图看看批次效应的形态。如果效应是全局偏移（看PCA第一主成分就能分开），优先试线性方法；如果批次之间还混着生物差异（比如不同亚群分布不一样），非线性方法更稳；数据量超过 10 万细胞、想学复杂非线性关系，再上深度学习方法。
线性方法 —— 简单就是美
线性方法假设批次效应是加性的、全局的。说白了，就是每个基因在每个批次里的表达量整体上有个固定的偏移量，校正时直接把这部分偏移减掉。我用得最多的线性方法是 ComBat，R 里三行代码就能搞定：
library(sva)
adjusted_matrix <- ComBat(dat = raw_counts, batch = batch_vector)
还有 limma::removeBatchEffect，原理类似，适合已经归一化后的表达矩阵。我记得第一次用 ComBat 处理两个骨髓样本批次时，校正后 UMAP 几乎完美重叠，心里还嘀咕“这么简单？”——但后来换到免疫分型数据，同一个方法就翻车了。原因是什么？线性方法只抓全局均值偏移，抓不住基因之间、细胞亚群之间的异质性批次效应。
避坑指南： 我曾经在 tumor 数据上直接套 ComBat，结果把真实的肿瘤亚群差异也给抹平了。后来改用 MNN 才保住亚群结构。所以，线性方法只适合批次效应简单、不跟生物变异纠缠的场景。
线性方法还有个变体叫 Harmony，别看它长得像非线性——核心是在软聚类嵌入上做线性校正。它速度快，对齐效果也不错，我个人习惯把它放在“轻量级校正”的优先级里。
非线性方法 —— 对齐局部结构
非线性方法不用“全局一刀切”的假设，而是通过匹配细胞之间的局部邻域来消除批次效应。MNN（Mutual Nearest Neighbors） 是这类的代表。它先找两个批次间互为最近邻的细胞对（叫 MNN 对），然后基于这些对估计批次偏移向量。因为 MNN 对要求两个批次中都存在表型相似的细胞，所以它天然保留生物差异。
我在处理人外周血 + 骨髓的整合时，MNN 的效果明显比 ComBat 好——它不会把 CD8+ T 细胞和 NK 细胞混到一起。但 MNN 也有限制：如果两个批次之间没有足够的 MNN 对（比如测了不同组织），它就会失效。另一种非线性方法是 Scanorama，用奇异值分解 + 局部拼接做匹配，适合大规模数据。
注意： 非线性方法通常对参数敏感。比如 MNN 的 k 值（邻居数）设太小，MNN 对不足；设太大又会引入假阳性。我习惯先用默认参数跑一次，再根据 UMAP 上批次分离程度调整。
深度学习方法 —— 学习一个隐空间
深度学习方法的代表是 scVI。它用变分自编码器（VAE）把原始基因表达映射到一个低维隐空间，同时在隐空间里把批次效应作为辅助变量显式建模。scVI 不仅校正批次，还能做数据去噪、插补和差异分析。原理上它也是非线性的，但因为用了神经网络的拟合能力，可以学到非常复杂的批次-生物结构关系。
scVI 的代码也很简洁：
import scvi
scvi.model.SCVI.setup_anndata(adata, batch_key="batch")
model = scvi.model.SCVI(adata)
model.train()
latent = model.get_latent_representation()
但你想想看，深度学习不是万能药。我记得有一次跑 scVI 处理 50 万细胞的数据，训练时间从 20 分钟变成 6 小时——显存还爆了。如果你只有几千细胞，线性方法几秒钟就搞定的事，没必要上深度学习。此外，scVI 的可解释性不如线性方法，调参也需要耐心（学习率、层数、潜在维度）。
我的习惯： 数据量大于 20 万细胞时，如果硬件允许，我会用 scVI 作为主力校正方法。小于 5 万细胞，我倾向于 MNN 或 ComBat。
三类方法对比一览
下面的表格把核心差异总结一下，方便你快速做技术选型：
| 类别 | 核心假设 | 代表方法 | 适用场景 | 主要限制 |
|---|---|---|---|---|
| 线性 | 批次效应全局加性 | ComBat, limma, Harmony | 简单批次效应，小样本，快速原型 | 无法处理异质性批次效应 |
| 非线性 | 局部邻域相似性 | MNN, Scanorama | 批次间有重叠的亚群，保留生物差异 | 参数敏感，缺乏 MNN 对时失效 |
| 深度学习 | 隐空间非线性建模 | scVI, scANVI | 大样本，复杂批次-生物关系，多组学 | 计算资源高，可解释性差，调参成本大 |
三类方法的关系图
下面这张图把整个分类体系和典型方法串了起来。你可以把它当作选型时的脑图：
怎么选？我的一点实战心得
- 先跑个 PCA + UMAP：只看前两主成分，如果两个批次在 PC1 上明显分离，线性方法大概率能解决。如果互锁在一起，果断用 MNN 或 scVI。
- 小数据用线性，大数据用深度学习：几百到几千个细胞，ComBat 几秒钟出结果，没必要启动 GPU 集群。
- 注意批次内的亚群差异：如果批次之间相同亚群的细胞数量差异很大，非线性方法的 MNN 对可能偏少。我遇到过这种情况，后来通过 先聚类后采样 增加 MNN 对才解决问题。
- 深度学习不是银弹：scVI 训练时要注意 潜在维度（n_latent）——设小了欠拟合，设大了过拟合。我个人习惯从 10 开始调，看重构误差和批次混合度。
好了，三类方法的大框架就是这些。你下次拿到新数据集心里就有谱了，至少知道该往哪个方向找工具。实际整合时，我往往会跑两种不同类的方法对比，挑一个在保留生物信号和去除批次效应上平衡最好的。