企业官网建设流程全解析

单细胞转录组这两年从“新鲜玩意”变成了很多课题组的常规武器，但真正让一批人卡住的，往往不是测序本身，而是拿到十几二十个样本之后的那一步——整合。我见过太多项目，单样本分析做得漂漂亮亮，一到多样本合并就出现两种极端：要么各样本泾渭分明，聚成一堆互不相干的孤岛；要么强行揉成一团，把真实的生物学差异也一并抹平。前者说明批次效应压过了生物学信号，后者说明整合过度，把该保留的差异当噪声删了。这个度怎么拿捏，就是这篇要聊透的事。

所谓单细胞转录组数据整合，说白了就是把来自不同样本、不同批次、不同时间点甚至不同平台的表达矩阵，校正掉技术噪声之后放到同一个坐标系里比较。它能解决的核心问题是：让你在合并后的低维空间里，既能看清细胞类型的全局分布，又不会被批次这个“假信号”带偏。适合谁看？如果你已经跑通了单样本的降维聚类，正准备做多样本比较，或者被“整合后细胞类型对不上”“marker基因表达被抹平”这类问题折磨过，那这篇基本就是给你写的。下面我按自己实际做项目的顺序，从思路选型一路讲到踩坑排查。

1. 整合前必须想清楚的几件事

1.1 你到底需不需要整合

很多人一上来就默认“多样本必须整合”，其实这是个误区。整合是有代价的，它会引入额外的假设和计算，还可能改变原始的表达结构。所以动手之前先问自己三个问题。

第一，你的样本之间差异主要来自哪里。如果所有样本是同一组织、同一处理、同一平台，只是生物学重复，那批次效应通常很弱，很多时候简单合并加上一个样本来源的协变量就够了，不一定非要上复杂的整合算法。第二，你的科学问题是什么。如果你要比较的是“处理组和对照组之间某类细胞的比例变化”，那整合的目标是让同类细胞对齐，而不是让两组完全重合。第三，你的细胞类型在样本间是否共享。如果某些细胞类型只在一个样本里出现，强行整合可能把它压到别的簇里去。

我一般的判断标准是：先不整合，直接把所有样本的矩阵合并跑一遍降维聚类，用样本来源给细胞上色。如果同一细胞类型在不同样本里明显分层、各占一块，那批次效应值得处理；如果同类细胞基本混在一起，那整合的收益就不大，反而增加不确定性。

1.2 批次效应和生物学差异的边界

这是整个整合里最核心也最难的一对矛盾。批次效应是技术性的，比如不同建库批次、不同测序深度、不同操作人员带来的系统性偏移，我们希望去掉。生物学差异是我们真正想研究的，比如疾病组和健康组的细胞状态差异，我们希望保留。

问题在于，这两者在数学上长得非常像，都是表达谱的系统性偏移。算法没法自动知道哪个是哪个，只能靠你通过参数和设计去引导。所以整合从来不是“一键去批次”，而是一个需要你反复验证、带着生物学知识去判断的过程。我见过有人把整合参数调到所有样本完美混合，结果疾病组特有的一个亚群被彻底抹掉，这就是典型的过度整合。

提示：整合前一定要先明确哪些差异是你要保留的。最好在整合前后都用已知的marker基因去验证关键细胞类型是否还在，这是最朴素的把关方式。

1.3 常见整合策略的取舍逻辑

目前主流的思路大致分三类，各有适用场景，没有绝对的最优解。

第一类是基于表达矩阵直接校正的方法，代表思路是寻找样本间的共享锚点，然后据此对齐。它的优势是能输出校正后的表达矩阵，后续可以做差异分析、轨迹分析等需要真实表达值的下游。缺点是计算量大，样本多的时候内存吃紧。

第二类是基于降维空间的整合，先把每个样本各自降维，再在低维空间里对齐。它速度快、对大数据友好，适合样本数量多、细胞总量大的场景。但因为它是在降维后操作的，输出的低维坐标不能直接反推回表达值，下游做差异表达时要注意。

第三类是基于因子分解或概率模型的方法，把表达变异拆解成技术因子和生物因子。理论上更优雅，但对参数敏感，调参成本高，新手容易翻车。

我的经验是：样本数在十个以内、细胞总量几十万级别、下游还要做差异分析的，优先考虑第一类；样本数几十个、细胞上百万的，用第二类更实际；第三类留给对模型有理解、愿意花时间调参的人。

2. 数据准备与预处理的关键细节

2.1 从原始矩阵到可用对象

整合对输入质量非常敏感，前面一步没做好，后面怎么调参都救不回来。我通常的处理链条是这样的：读入每个样本的计数矩阵，先做基础的质控，过滤掉低质量细胞和低表达基因，然后各自归一化。

这里有个容易被忽略的点：归一化要在整合之前、分样本做，还是合并之后统一做。我的做法是分样本先做归一化，因为不同样本的测序深度和捕获效率差异很大，统一归一化会把样本间的技术差异混进归一化因子裡。分样本归一化之后，再进入整合流程去处理剩下的批次效应。

质控阈值没有万能标准，但有几个经验区间可以参考。每个细胞检测到的基因数，常规组织一般在500到6000之间；线粒体基因比例，多数组织控制在10%到20%以下，心肌、肌肉这类高耗能组织可以放宽。这些阈值要结合你组织的实际情况调，不能照搬。

2.2 高变基因选择对整合的影响

高变基因是降维和整合的基础，选得好不好直接决定整合效果。选太多会把噪声基因带进来，选太少会丢失细胞类型的区分信息。常规做法是选2000到3000个高变基因。

但多样本整合时有个坑：如果你在每个样本里各自选高变基因再取交集，可能交集很小；如果合并后统一选，又可能被某个样本主导。我比较推荐的做法是分样本选高变基因，然后取并集或者按出现频率筛选，这样能兼顾各样本的特异性。选完之后一定要看一眼这些基因里有没有你关心的marker，如果关键marker没被选进去，后面聚类可能就分不出你要的亚群。

2.3 协变量与元数据的整理

元数据看着不起眼，但整合和后续分析全靠它。每个细胞的样本来源、批次、分组、测序深度这些信息必须整理成一张规整的表，和表达矩阵的细胞顺序严格对应。

我踩过的最蠢的坑就是元数据顺序和矩阵列顺序错位，结果整合出来的图完全没法解释，查了大半天才发现是读入时没对齐。所以每次合并矩阵后，我都会强制检查一遍细胞barcode是否唯一、元数据行数是否和矩阵列数一致。这个检查花不了两分钟，但能省掉几小时的排查。

3. 整合实操的完整流程

3.1 建立整合锚点与参数设置

以最常用的锚点类方法为例，核心步骤是先找锚点再整合。找锚点的过程，本质是在不同样本之间寻找表达谱相似的细胞对，作为对齐的参照。这里有几个关键参数需要理解。

一个是锚点筛选的严格程度。参数越严格，找到的锚点越少但越可靠；越宽松，锚点越多但可能引入错误配对。样本间差异大的时候可以适当放宽，差异小的时候收紧。另一个是整合时参考样本的选择。可以选择某一个样本作为参考，其他样本向它对齐；也可以不做参考，让所有样本互相整合。前者结果更稳定、可复现，后者更对称但计算量更大。我一般选细胞质量最好、细胞类型最全的那个样本做参考。

参数设置没有标准答案，我的习惯是先跑一版默认参数，看整合后的混合程度和marker保留情况，再针对性微调。调参时一次只动一个参数，否则你根本不知道是哪个起了作用。

3.2 整合结果的降维聚类

整合完成后，你会得到一个校正后的表达矩阵或者低维表示，接下来就是常规的降维聚类。PCA、UMAP、聚类这几步大家都熟，但整合场景下有两个额外注意点。

第一，降维时用的主成分数量。整合后的数据主成分结构会变化，不能沿用单样本时的经验值。我一般会看碎石图，选拐点附近的主成分数，同时结合聚类结果验证。主成分太少会丢失亚群结构，太多会把批次残差也带进来。

第二，聚类分辨率的选择。整合后细胞总数变多，同样的分辨率可能分出更多簇。这时候不要盲目追求簇多，而是要结合marker基因判断哪些簇是真实的细胞类型、哪些是过度分割。我的做法是从较低分辨率开始，逐步提高，每提高一档就看新分出来的簇有没有独立的marker支持。

3.3 整合效果的量化评估

光靠肉眼看UMAP图是不够的，图好看不代表整合对。我一般会从几个角度量化评估。

一是批次混合度。可以用一些衡量样本混合程度的指标，看同一细胞类型的细胞在不同样本间是否均匀分布。二是生物保守性。看已知的细胞类型marker在整合后是否还在对应簇里高表达，如果某个marker被抹平了，说明整合可能过度。三是聚类稳定性。换一组随机种子或者稍微改改参数，看聚类结果是否稳定，稳定的结果更可信。

下面这张表是我总结的整合效果判断参考，实际项目里可以对照着看。

4. 常见问题与排查技巧实录

4.1 整合后细胞类型“消失”了

这是最常见也最让人慌的问题。明明单样本分析时能看到某个亚群，整合之后找不到了。原因通常有三个：一是这个亚群只存在于少数样本，整合时被其他样本的细胞“拉平”了；二是这个亚群的marker基因没被选进高变基因，降维时没体现出来；三是整合参数过严，把这个亚群当批次噪声处理了。

排查顺序我一般是：先回到单样本结果确认这个亚群确实存在且marker明确；然后检查高变基因列表里有没有这些marker；再检查整合参数是不是过严。如果是参数问题，适当放宽锚点筛选；如果是高变基因问题，手动把这些marker加进去重新跑。

4.2 整合后所有样本还是分得很开

反过来，整合完发现样本间还是泾渭分明，说明批次没压住。可能的原因：锚点太少导致对齐不充分；样本间差异太大超出了算法处理能力；或者根本就是生物学差异而非批次差异。

这时候先别急着加参数，先判断这些分层到底是技术性的还是生物性的。方法是用已知的管家基因或者保守marker看，如果同类细胞在不同样本里表达谱高度相似却还是分开，那大概率是技术批次；如果表达谱本身就有系统差异，那可能是真实的生物学差异，不该强行整合掉。

4.3 内存爆了或者跑得太慢

整合是吃内存大户，尤其是样本多、细胞多的时候。我遇到过跑一半内存溢出直接崩掉的情况。应对办法有几个：一是减少参与整合的基因数，只保留高变基因；二是对细胞进行下采样，每个样本随机抽一部分；三是改用基于降维空间的整合方法，内存占用小很多；四是升级到更大内存的机器，这是最直接但最花钱的办法。

实操上我建议先用一个子集测试整个流程跑通，确认参数合理之后再上全量数据，避免全量跑到一半才发现问题。

4.4 整合前后差异分析结果对不上

有人发现整合前做的差异分析和整合后做的结果不一致，怀疑哪个错了。其实这很正常，因为整合改变了表达值的结构。如果下游要做差异分析，我建议用整合前的原始表达值配合样本来源作为协变量来做，而不是直接用整合后的校正值。整合后的值更适合用来做可视化和聚类，用来做统计检验要谨慎，因为校正过程本身引入了不确定性。

注意：整合后的表达矩阵不要直接拿去做严格的差异表达统计，除非你很清楚所用方法对校正值的处理方式。稳妥做法是聚类用整合结果，差异分析回到原始计数。

4.5 常见问题速查表

5. 几个提升整合质量的经验技巧

5.1 分步验证而不是一步到位

我现在的习惯是把整合拆成几个可验证的小步骤：先确认单样本质量，再确认合并后的批次结构，再跑整合，再验证整合效果。每一步都留图留记录，出问题能快速定位是哪一步引入的。一次性跑完整个流程看着高效，但一旦结果不对，排查成本极高。

5.2 用已知生物学做锚

整合效果好不好，最终要靠生物学来判断。我会在整合前就整理好一批已知的细胞类型marker，整合后逐一检查这些marker是否还在正确的簇里。这比单纯看UMAP图可靠得多，因为图可以调得很好看，但marker不会骗人。

5.3 保留中间结果方便回溯

整合流程里会产生很多中间对象，锚点、校正矩阵、降维坐标等等。我建议都保存下来，别嫌占空间。等你需要换参数重跑、或者要对比不同方案时，有中间结果能省大量时间。尤其是锚点对象，重新计算很耗时，存下来复用很划算。

5.4 参数记录要详细

整合参数多，调参过程容易乱。我一般会用一个表格记录每次跑的参数组合和对应的评估结果，包括锚点参数、参考样本、主成分数、分辨率等。这样既能对比不同方案，也能在写方法部分时准确还原。别指望自己记得住，好记性不如烂笔头。

6. 整合之后还能做什么

整合不是终点，而是多样本分析的起点。整合好的数据可以做很多单样本做不了的事。比如跨样本的细胞类型比例比较，看某个亚群在疾病组和对照组之间是否有显著变化；比如跨样本的差异表达，找在特定条件下一致上调或下调的基因；再比如轨迹分析，把多个样本的细胞放在同一个发育轨迹上看状态转换。

但每一步都要记住整合引入的假设。比例比较要考虑整合是否影响了细胞类型的判定，差异表达要回到原始计数，轨迹分析要确认整合没有扭曲细胞间的真实距离。整合给了你一个统一的坐标系，但这个坐标系是近似的，所有下游结论都要带着这个认知去解读。

我个人在实际操作中的体会是，整合这件事没有一劳永逸的参数，每个数据集都有自己的脾气。与其追求一套万能流程，不如把评估和验证的方法练熟，这样无论遇到什么数据，你都能判断出整合到底做得好不好。最后再分享一个小技巧：当你拿不准整合参数时，先在一个细胞类型明确、批次结构清楚的子集上试，把参数调明白再上全量，比直接在全量数据上反复试错高效得多。