我要评论时下的单细胞分析，都以大样本量著称，摆在面前的第一道难题，便是多样本的整合分析，随之带来的就是通常讲到的批次问题。而分析的目的，是要寻找真正的生物学差异，避免因为批次引发的错误判断，为了解决批次问题，目前已经有了很多的分析手段，其中有scanpy整合分析用到的bbknn，也有liger[1]整合分析用到的inmf，而本篇中重点介绍的，就是目前最为常用的两种方法，seurat本身自带的cca与文献广泛运用的harmony。
批次效应的产生
批次效应（batch effect）通常指的是实验指标检测中，来源关注的生物学处理效应之外的其他因素导致的样本结果的波动。而对于单细胞而言，主要有以下主要的影响因素：
（1）不同样本
（2）同一样本的生物学重复
（3）同一样本的技术重复
（4）同一样本在同一个实验室由同一团队在不同时间点处理
（5）不同建库策略，10x平台，drop-seq,smart2-seq
（6）不同测序平台，bgi/illumina.
通常的状况下，单细胞的样本基本都使用10x平台，测序平台为illumina，那么最为关注的批次因素，就是不同的样本。如果批次效应比较小还可以接受，如果批次效应很严重，就可能会和真实的生物学差异相混淆，让结果难以捉摸。因此需要辨别到底存在多大程度的批次效应，对真实的生物学样本会不会产生影响。批次效应的影响主要体现在以下几个方面：<
发表评论