第3章：常见批次效应校正方法简介：核心思想比较

说到批次效应校正，我们不是非要搞懂每种方法的数学细节才能用好。但我个人觉得，理解它们的核心思想、适用场景和代价，比调参数重要得多。这就像选工具——你总得知道锤子和螺丝刀分别干嘛用的，对吧？

目前最常用的五类方法是：Harmony、Seurat（CCA/MNN）、Scanorama、BBKNN 和 scVI。它们背后藏着完全不同的哲学。我挨个拆开说。

全局对齐 vs 局部匹配 vs 深度生成

先把这五种方法按亲缘关系分个类。我画过一张表给组里新人看，这次换成一张流程图，更直观。

这张图能帮你快速定位：当你面对不同数据规模时，先选阵营，再挑具体方法。

Harmony：软聚类 + 迭代调和

Harmony 的核心思想，说白了就是：让每个批次里相似的细胞主动向彼此靠拢。它不像过去那些硬切一刀的方法，而是用软聚类——每个细胞可以同时属于多个“细胞社区”，然后一次次微调位置。

我印象里特别深的一次，是在一个 8 批次胰腺数据集上跑 Harmony。其他方法或多或少会抹掉某些稀有细胞类型，但 Harmony 保留得相当完整。代价嘛…就是迭代次数不能太少，我习惯设 20 轮以上。

核心参数就两个：theta 控制校正强度，lambda 控制正则化力度。说实话，大部分情况用默认值就够了。

# Harmony 示例调用（Python）
import harmonypy

harmony_out = harmonypy.run_harmony(
    data_pca, meta_data, vars_use="batch",
    max_iter_harmony=20, theta=[2.0], lambda_val=1.0
)

Seurat（CCA + MNN）：典型相关 + 互近邻

Seurat 走的是另一条路。它先用 典型相关分析（CCA） 找到两个批次之间共享的“特征维度”，再用 互近邻（MNN） 在共享空间里配对锚点，最终通过锚点来完成整个校正。

你想想看，CCA 匹配的是基因表达模式的协方差结构，不是直接拼坐标。这让它天然对批次间的不同细胞比例不太敏感。但要注意——我没少被坑过——如果两个批次之间几乎没有共享的细胞状态，CCA 容易找到一些假的共享维度。

# Seurat V4/V5 整合调用（R 语言）
library(Seurat)

merged_obj
anchors <- FindIntegrationAnchors(
  object.list = split(merged_obj, f = merged_obj$batch),
  anchor.features = 2000,
  dims = 1:30,
  reduction = "cca"
)
integrated <- IntegrateData(anchorset = anchors, dims = 1:30)

Seurat 的优势在于生态丰富——找锚点、评分、降维一把抓。但我个人不建议对百万级细胞直接跑 FindIntegrationAnchors，内存会爆。我通常先用 SelectIntegrationFeatures 把特征压到 2000 以内。

Scanorama：全景拼接，局部光滑

Scanorama 的名字来自“panorama”（全景图）——它想把不同批次的细胞全景拼接起来。其原理是：用局部曲面匹配来找到跨批次的相似细胞，然后一个批次一个批次地叠加拼接。

它不像 Harmony 那样一次把所有批次扔进去，而是两两配对，然后用拼接后的图做一次全局校正。这种做法有个好处：对批次间异质性容忍度比较高。我曾经用 Scanorama 处理过一个小鼠脑的数据——两批次中间隔了半年做实验，批次效应非常强——结果呢？它比其他方法保留了更多的皮层区域结构。

但它的速度是个硬伤。假设你有 10 个批次，两两配对就是 45 对，每对都要做一次局部匹配。细胞数量上升到几十万的速度就比较慢了。

import scanorama
import scanpy as sc

# adatas 是每个批次单独 scanpy AnnData 对象
corrected = scanorama.correct_scanpy(
    adatas, return_dimred=True,
    sigma=150, alpha=0.1
)
# corrected 返回的 list 中包含校正后的低维表示

BBKNN：快速 K 近邻图构造

BBKNN 走的是最极端的路线——它根本不改变 PCA 或 UMAP 的坐标值，而是直接在建模近邻图阶段，要求每个细胞只能连接其他批次的细胞作为近邻。你想想，这意味着什么？

它假设“同一个细胞类型的真实近邻一定在另一个批次里能找到”，所以强制跨批次建边。这样 UMAP 出来的图自然就混在一起了。优点是快得惊人——轻轻松松百万级细胞。缺点呢？如果某个批次里有一个独一无二的稀有亚群，它在别的批次里找不到真正的同类，就会被迫连接到不相关的细胞上。

import bbknn
import scanpy as sc

sc.pp.neighbors(adata, n_neighbors=30, use_rep="X_pca")
bbknn.bbknn(adata, batch_key="batch", neighbors_within_batch=3)
# 这里的 neighbors_within_batch 设得越小，跨批次连接越强

我个人习惯把 neighbors_within_batch 设在 3–5。设 0 就太极端了，会让同一个批次的细胞完全不连通，做出来的 UMAP 偶尔会断裂。

scVI：深度概率生成模型

scVI 把问题推到了另一个极端：用变分自编码器（VAE）学习一个低维潜空间，然后在这个潜空间里把批次效应当作条件变量，用一个深度神经网络去学数据生成过程。说白了，它学的是“如果去掉批次效应，数据本来是什么样”。

这是五种方法里唯一能把“不确定性”带出来的——VAE 输出的是一个分布，不是一个点。我在做纵向时间序列数据的时候特别喜欢 scVI，因为可以估算潜变量的置信区间。但千万别以为它是万能药。

scVI 的训练时间——以 GPU 小时计。我初次用它跑 50 万细胞，一张 24G 显存的卡，训练了差不多 4 小时。而且，它的性能对超参数超敏感：层数、隐单元数、学习率、KL 权重…稍有不慎就崩。

import scvi
import anndata

scvi.model.SCVI.setup_anndata(adata, batch_key="batch")
model = scvi.model.SCVI(adata, n_latent=30, n_hidden=128)
model.train(max_epochs=100)
latent_representation = model.get_latent_representation()

横向对比一览

方法	核心机制	适合场景	主要局限
Harmony	软聚类迭代校正	中等规模多批次（~10批次）	需要合理 PCA 输入
Seurat CCA	CCA + MNN 锚点	有共享结构的多批次	内存随着细胞数线性飙升
Scanorama	局部曲面匹配 + 拼接	强批次效应、少量批次	计算复杂度随批次数量指数级上涨
BBKNN	跨批次强制 KNN	超大、快速探索分析	改变图结构，丢失批次内局部关系
scVI	VAE 条件潜空间	倾向概率解读、纵向数据	训练耗时长、调参复杂