单细胞数据分析（五）：三种整合单细胞数据（Harmony、fastMNN、SCTransform）的完整流程

禁止商业或二改转载，仅供自学使用，侵权必究，如需截取部分内容请后台联系作者!

介绍

单细胞RNA测序（scRNA-seq）技术的快速发展为研究细胞异质性、发育轨迹和疾病机制提供了前所未有的分辨率。然而，整合来自不同实验批次或研究的数据集时，批次效应（batch effect）会引入技术变异，掩盖真实的生物学差异。针对这一问题，目前主流的三种整合方法——Harmony、fastMNN和SCTransform——各有优势和适用场景。

本文以一篇乳腺癌单细胞研究（A comprehensive single-cell breast tumor atlas…）的23万细胞数据集为例，系统比较了这三种方法的原理、内存消耗、计算效率和整合效果。该数据集整合了8项独立研究，存在显著的批次差异，是检验整合方法的理想案例。

Harmony通过PCA空间的软聚类和线性变换实现快速批次校正，内存占用最低（推荐64GB），适合超大规模数据。