CCA 在单细胞中的应用：Seurat 中的 CCA 流程、参数设置、注意事项

CCA，全称 Canonical Correlation Analysis，中文叫典型相关分析。说白了，它是一种衡量两组数据之间“共同变异”的方法。在单细胞领域，我们用它来寻找不同批次之间细胞状态的对应关系。

我记得我第一次用 Seurat 整合数据，面对一堆参数完全懵了。后来慢慢摸索，才明白这玩意儿其实挺直接的。今天咱就聊聊，怎么在 Seurat 里用好 CCA。

Seurat 里 CCA 的核心流程

Seurat 的整合框架，本质是两步：先找锚点，再做整合。CCA 主要负责第一步——找锚点。

大致流程如下：

1. 标准化与特征选择：每个样本单独跑 NormalizeData + FindVariableFeatures。
2. 跨样本 CCA：用 SelectIntegrationFeatures 选出共享的高变基因，然后 RunCCA 计算典型相关。
3. 锚点识别：通过 FindIntegrationAnchors 在 CCA 低维空间里探测“互相最近邻”的细胞对。
4. 数据整合：IntegrateData 利用这些锚点，把表达矩阵校正到同一空间。

参数设置：这几个值得盯着调

Seurat 的整合函数 FindIntegrationAnchors 和 IntegrateData 里有一堆参数。我挑三个最常出问题的，逐一说说我的踩坑经历。

参数	默认值	作用	我的建议
k.anchor	5	每个锚点周围用于计算权重的邻居数	样本量小（<5000）时可以用 3-5；大数据（>5万）可以提到 10-20。太小会过拟合，太大容易模糊批次边界。
k.filter	200	过滤掉最多匹配锚点数量的上限	默认值一般够用。但我遇到过异质性很大的实验设计，比如肿瘤样本和正常样本差异过大，需要把 k.filter 降到 100 左右，否则会引入很多假阳性锚点。
k.score	30	计算锚点得分时考虑的邻居数	这个参数影响锚点的“可信度筛选”。我习惯保持 30，除非你有明确理由。

在实际项目中，CCA 的预处理坑

CCA 对输入数据非常敏感。我曾经处理过一个包含 10x v2 和 v3 两个平台的数据，直接丢进 RunCCA，结果整合效果很差。后来发现，两个版本的基因捕获效率不同，导致部分基因的方差分布差异巨大。

应该怎么做？

• 确保数据已经标准化：建议用 SCTransform 代替 LogNormalize，它能更好地处理不同检测深度的批次。
• 特征数量要合理：SelectIntegrationFeatures 默认取 2000 个高变基因。如果你研究的细胞类型非常稀有，可以考虑增加到 3000-5000，否则稀有群体可能被淹没。
• 维度选择：RunCCA 默认只保留 50 个典型相关维度（1:50）。你想想看，如果样本差异特别大，这 50 维可能不够。可以设置 num.cc = 100，但别超过样本内细胞数的 1/10。

一个简单的代码示例

下面是我常用的一套流程，适用于两个样本的整合。注意配置里的注释：

# 标准化（以 SCTransform 为例）
s1 <- SCTransform(s1, verbose = FALSE)
s2 <- SCTransform(s2, verbose = FALSE)

# 整合特征选择
features <- SelectIntegrationFeatures(object.list = list(s1, s2), nfeatures = 3000)

# 准备锚点
anchors <- FindIntegrationAnchors(
  object.list = list(s1, s2),
  anchor.features = features,
  normalization.method = "SCT",
  k.anchor = 10,       # 因为两个样本都超过 1 万细胞
  k.filter = 150,      # 我们担心差异太大，所以降低过滤阈值
  k.score = 30,
  reduction = "cca",   # 明确指定用 CCA
  dims = 1:50
)

# 整合
combined <- IntegrateData(anchorset = anchors, normalization.method = "SCT", dims = 1:50)

这段代码跑完后，combined 对象里的整合矩阵就可以直接用来降维和聚类了。

CCA 整合的适用场景与局限

CCA 不是万能的。我自己的经验是，它特别适合以下情况：

• 批次效应表现为主成分旋转差异，而不是单纯的均值偏移。
• 细胞类型在两个批次中都存在，CCA 可以用共享的共变异结构锚定它们。
• 样本量差异不大。如果一个样本只有 500 细胞，另一个有 5 万，CCA 的锚点倾向于集中在数据量大的批次，稀有批次很难配对。

反过来，如果两个批次的细胞组成完全不同（比如你硬把 PBMC 和肿瘤组织整合），CCA 基本没用——它找不到有意义的共同变异。这时候还不如用 MNN 或者 scVI。

SVG 图：CCA 锚点识别与整合逻辑

下面这张图能帮你直观理解 CCA 在 Seurat 里是怎么工作的。

几个需要注意的细节

嗯，这里还要补充几点现场经验：

• 特征数量别贪多：我见过有同学直接选 5000 个基因。说实话，CCA 的奇异值分解速度会成倍增加，而且很多噪音特征会拉低信噪比。2000-3000 足够了。
• 降维范围别死用默认：RunCCA 默认拿前 50 维。但如果你两个样本的细胞类型差异很大，可以试试 dims = 1:30 或 1:20。选多少合适？跑完 CCA 后画个 ElbowPlot 看一下。
• 内存使用：整合步骤 IntegrateData 会生成一个很大的矩阵。如果你的机器只有 32GB 内存，处理 10 万个细胞就会很吃力。可以考虑分批次整合，或者用 merge 先合并再细调。