单细胞测序数据整合实战：Seurat与Harmony流程详解

单细胞测序这几年是真的火，但只要你手里样本一多，超过三个、五个甚至十几个，摆在你面前的第一道坎儿就是数据整合。我见过太多人把所有样本简单merge到一起之后跑个PCA，结果UMAP图上每个样本抱成一团，细胞类型被批次效应盖得严严实实。说实话，单细胞测序数据整合这件事，不是把矩阵拼起来就完事儿，它直接决定后续找细胞类型、找marker、找差异基因这几步靠不靠谱。这篇博文就把我这几年的整合经验一次性讲透，先讲明白为什么必须整合，再把我常用的Seurat整合流程和Harmony流程完整跑一遍，最后把那些“整过头”“整不匀”的坑挨个给你摆出来。不管是刚入门还在对着Seurat文档发懵的新手，还是已经被批次效应折磨到怀疑人生的老手，这篇文章都能给你一套直接拿去用的方案。

1. 单细胞数据整合的整体设计与思路拆解

1.1 为什么多批次样本不能直接合并跑聚类

先说一个基础问题：单细胞测序数据里的批次效应到底从哪儿来的。你以为同一套流程出来的数据就应该一致，实际上完全不是。不同时间上机、不同建库批次、不同操作员、不同试剂盒lot号、不同测序深度，都会让同一类细胞在表达谱上产生系统性偏移。更别提采样时间、组织处理方式、解离步骤的微小差别，这些因素叠加在一起，造成的结果就是同样一群T细胞，来自样本A的跟来自样本B的在PCA空间里可能隔得老远。

这种技术性差异和真实的生物学差异纠缠在一起，你直接合并跑聚类，算法会优先按技术差异把细胞分开，而不是按生物学相似性聚在一起。比如同一个患者在治疗前后的两个样本，如果批次效应处理不好，治疗前的细胞和治疗后的细胞先各占一个山头，真正的共享细胞亚群反而被拆散，后续分析全乱套。我做过一个六个样本的整合项目，临床样本占大半，实验员不同、上机日期不同，批次效应强到第一版UMAP出来，样本来源的颜色和细胞类型marker的颜色几乎是完美对应的——这种结果如果直接拿去写文章，审稿人一眼就能挑出来。

所以数据整合的核心目标，用一个词概括就是“去批次保生物”——在消除这批技术偏移的同时，尽量不破坏不同细胞类型之间真实的转录差异。这本质上是一个高维空间对齐问题，需要专门的算法去做，不是简单用scale数据或回归掉样本变量就能解决的。

1.2 整合方案的选型：CCA、Harmony、scVI还是其他

现在主流的数据整合工具大致分几类。Seurat的IntegrateData基于CCA（典型相关分析）+MNN（互近邻）锚点机制，在细胞群结构复杂、样本间共享细胞类型明确的时候表现稳。Harmony则走的是迭代软聚类加岭回归矫正路线，速度极快、内存占用小，十几万个细胞跑起来毫无压力。scVI用深度生成模型，对超大数据的拟合能力很强，模态灵活性也高，但调参和训练时间对新手不太友好。还有fastMNN、Scanorama这类偏向单细胞剪接或大矩阵降维场景的。

选型上我个人的习惯是：十万细胞以下、样品数量十个以内、细胞类型跨样本相对保守的，优先用Seurat的锚点整合，尤其是RPCA加速版本。细胞数一上去，几十万上百万的规模，直接上Harmony，快而且稳，跑完效果也不会差。scVI适合那种样本量大、异质性极高、还要考虑多模态或者批次结构特别复杂的场景，但它是一个模型训练过程，需要你有GPU环境，投入产出比要看项目预算。

一句话总结：没有绝对“最好的”整合算法，只有“在这个数据结构下最合适”的。选型前先看自己数据量级、样本结构和硬件条件，别一上来就追求花哨。

2. 预处理细节：不要跳过质量控制直接谈整合

2.1 每个样本单独过滤，比合并后统一过滤靠谱

很多教程会告诉你，先把所有样本合并成一个Seurat对象，再统一跑QC过滤。这么做不是不行，但非常不推荐。不同样本的细胞完整度、线粒体基因比例基线差异很大，你用一个全局阈值过滤，很可能把某个样本里的高质量细胞大批量误杀，同时又放过了另一个样本里的死细胞和空液滴。

我的标准操作是：数据读进来之后，每个样本单独建对象，单独跑一遍QC。线粒体基因比例阈值一般在10%到20%之间调，具体根据组织类型来——肝脏、心肌这类代谢旺盛的组织线粒体比率天生偏高，硬卡在10%会把细胞群切掉一大块。检测到基因数(nFeature_RNA)下限通常卡在200到300，上限根据测序深度放宽到5000到8000不等，再结合UMI数(nCount_RNA)一起看，优先过滤掉那些低复杂度、高线粒体、疑似doublet的细胞。

实际上我在处理冷冻组织样本时，线粒体比例阈值经常得放宽到25%，因为冷冻解离过程本身就会造成线粒体损伤。这类经验必须结合自己的数据判断，不要抄教程参数就完事。

2.2 标准化和特征基因选择的一处关键区别

数据经过QC之后，接下来是NormalizeData和FindVariableFeatures。NormalizeData的LogNormalize方法是默认的选择，它在每个细胞内做总量归一化后取对数，运算快、效果稳定，绝大多数场景够用。SCTransform是更进阶的选项，它在归一化时同时建模并回归掉测序深度的影响，对测序深度差异大的样本更友好。不过SCTransform运行慢、内存占用高，而且整合流程里对锚点数目的计算方式有点不一样，我自己除非样本间深度悬殊特别大，一般还是走LogNormalize。

Feature选择上，FindVariableFeatures默认选2000个高变基因(hvg)，这个数字是个性能和效果的平衡点。整合时锚点计算只基于这些高变基因，不代表2000之外的基因全部忽略，整合后的数据还是会包含全部基因的表达值，只是锚点寻找和批次校正主要在特征基因空间内完成。我试过把特征数增到5000，整合效果提升有限，但运行时间明显拉长；降到1000又会丢失一部分稀有细胞群的信息。所以800个2000个之间，默认值优先，特殊场景再调整。

3. 核心实操：Seurat整合全流程演示

3.1 从拆分对象到CCA/RPCA锚点整合的完整步骤

我用Seurat V5的语法来跑一遍整合流程。第一步是把合并对象拆回list，逐样本归一化和找高变基因。这里有个细节：如果样本数量多、每个样本细胞数量又不小，建议用SelectIntegrationFeatures提前统一参与整合的特征基因，再用PrepSCTIntegration（在SCTransform流程里用）做校正，但我用的是LogNormalize流程，所以直接走最标准的路线。

library(Seurat) library(dplyr) # 假设已经有一个包含全部样本的seurat对象，列名是样本ID obj_list <- SplitObject(seurat_obj, split.by = "sample_id") # 对每个样本单独归一化、找特征基因、缩放到标准范围 for (i in names(obj_list)) { obj_list[[i]] <- NormalizeData(obj_list[[i]], verbose = FALSE) obj_list[[i]] <- FindVariableFeatures(obj_list[[i]], selection.method = "vst", nfeatures = 2000, verbose = FALSE) } # 统一整合特征基因，做数据缩放 features <- SelectIntegrationFeatures(object.list = obj_list, nfeatures = 2000) obj_list <- lapply(obj_list, function(x) ScaleData(x, features = features, verbose = FALSE)) # 找锚点，这一步是关键 anchors <- FindIntegrationAnchors( object.list = obj_list, anchor.features = features, reduction = "cca" # 或 "rpca"，大数据推荐rPCA ) # 执行整合 integrated <- IntegrateData(anchorset = anchors, dims = 1:30)

这一步有太多容易踩坑的细节。reduction = "cca"是比较稳的默认选择，但细胞数超过五万之后，CCA的计算开销非常大。实际项目中我常换成reduction = "rpca"，它先做PCA降维再跑CCA，速度提升非常明显，整合效果我对比下来几乎没差别。注意dims参数范围也重要，锚点寻找时默认dims是1到30，如果你的数据异质性特别高、细胞类型特别多，可以把dims放宽到1到50，但放宽之后锚点质量可能下降，需要结合结果来判断。

整合完成之后，从integrated这个Assay开始往下走：ScaleData、PCA、UMAP、找邻居、聚类。这里有个坑我必须单独拿出来说。

# 设置整合后的assay为默认，跑统一降维聚类 DefaultAssay(integrated) <- "integrated" integrated <- ScaleData(integrated, verbose = FALSE) # 这一步在新版本里未必需要 integrated <- RunPCA(integrated, npcs = 30, verbose = FALSE) integrated <- RunUMAP(integrated, reduction = "pca", dims = 1:30) integrated <- FindNeighbors(integrated, reduction = "pca", dims = 1:30) integrated <- FindClusters(integrated, resolution = 0.5)

3.2 整合后找marker必须切回RNA assay

整合流程跑完之后，最容易犯的一个错误就是直接用整合后的assay去找差异基因和marker。整合后的表达矩阵里存的是矫正后的残差而不是真实表达值，用来聚类和UMAP已经足够好，但用来分析表达差异，数值含义已经扭曲了。正确做法是找marker、做差异表达、画feature plot的时候，先把默认assay切回原始的RNA数据。

# 找marker之前切回RNA assay DefaultAssay(integrated) <- "RNA" markers <- FindMarkers(integrated, ident.1 = "T_cell", only.pos = TRUE)

这一条我吃了不少亏，早期有次项目里用了整合数据的表达量做featureplot，结果某个marker基因的表达模式完全失真，好在反复检查数据时发现了问题。现在我的习惯是：聚类、UMAP阶段用integrated，注释、marker、拟时序、差异分析阶段全部用RNA assay。这个分工讲清楚之后，项目就顺畅多了。

3.3 Harmony整合流程：五万细胞起步的选择

如果你的数据规模已经过十万，或者想快速跑一个整合结果出来做前期探索，我推荐用Harmony。它的原理是先用PCA把数据降到低维空间，然后通过迭代软分配的方式把不同批次的数据往中心对齐，整个过程不太依赖高变基因的选取，运行速度极快。

# 基础流程 seurat_obj <- NormalizeData(seurat_obj, verbose = FALSE) seurat_obj <- FindVariableFeatures(seurat_obj, selection.method = "vst", nfeatures = 2000, verbose = FALSE) seurat_obj <- ScaleData(seurat_obj, verbose = FALSE) seurat_obj <- RunPCA(seurat_obj, npcs = 30, verbose = FALSE) # 安装并加载harmony包 # install.packages("harmony") library(harmony) # 跑harmony整合 seurat_obj <- RunHarmony(seurat_obj, group.by.vars = "sample_id", reduction = "pca", dims.use = 1:30) # 用harmony降维结果替代PCA来聚类和UMAP seurat_obj <- RunUMAP(seurat_obj, reduction = "harmony", dims = 1:30) seurat_obj <- FindNeighbors(seurat_obj, reduction = "harmony", dims = 1:30) seurat_obj <- FindClusters(seurat_obj, resolution = 0.5)

Harmony的参数里theta控制批次差异矫正强度，默认是2，数值越大矫正越强。有的批次差异特别严重的数据，我会把theta调到4或更高，但要注意过高的theta可能把生物学差异一起抹平。还有一个我没少忽略的点：Harmony跑的是PCA空间，所以跑RunHarmony之前不要用别的降维结果，直接拿PCA的结果丢进去就好。

Harmony的另一个优势是它不改变原始表达矩阵，只是输出一个矫正过的低维坐标，所以下游分析中不需要像Seurat整合那样反复切换assay，所有差异表达分析直接用原始RNA assay就行，省心不少。

4. 整合效果评估：怎么判断到底有没有整好

4.1 看UMAP混匀程度，但不只看表面

整合完成后第一件事肯定是画UMAP，按样本来源上色看看有没有混匀。如果同一细胞类型的细胞在整合后还按样本形成明显分离的cluster，说明矫正不足，这时要检查是不是锚点数量不够、dims范围太小，或者样本间细胞类型组成差异太大导致锚点质量不高。但UMAP混匀只是表象，一个更客观的评估方式是看一下不同样本中同一细胞亚群的marker表达是否一致，如果某个cluster的marker只在部分样本中表达，很可能是这个cluster实际上代表的是不同样本里的不同细胞状态，而不是真正的共享细胞类型。

我在实际项目里还常用一个方法：提取某个明确的细胞类型（比如CD3+ T细胞），检查不同样本来源的T细胞在整合后的UMAP上是否重叠。如果整合效果好，这些细胞应该交织在一起；如果仍然明显分层，就要警惕整合不足。另一个技巧是计算不同样本来源细胞在相邻聚类中的比例，如果某几个样本总是孤立成簇，优先检查这几个样本的QC指标是不是异常。

4.2 警惕“过度整合”的信号

整合不足的问题很多人关注，但过度整合往往更隐蔽。过度整合的本质是算法为了消除批次效应，把真实的生物学差异也当作批次效应给抹掉了。信号有几个：整合后某些预期中应该分开的不同细胞类型被强制拉到一起，UMAP上一整片细胞类型marker的表达呈现出渐变而不是清晰区分；另一个信号是本来已知生物学上差异很大的亚群在整合后距离显著缩小，比如不同谱系间在UMAP上混在一起，聚类的稳定性下降。

我处理过一个案例，样本里既有正常组织又有肿瘤组织，肿瘤组织的上皮细胞和正常组织的上皮细胞在转录状态上差异本来就大。用Seurat整合时，如果锚点设置过于宽松，算法会把这两群细胞强行往一个方向拉，导致上皮细胞的肿瘤相关亚群消失掉。后来我把k.anchor从默认的5调高到10，降低了锚点匹配的噪声，结果保留了原有的生物学分离。这里要说的是，调节整合参数时，永远要问自己一个问题：这个分离是技术造成的还是生物学造成的？如果答案是生物学，就应该保留，而不是一味追求混匀。

4.3 量化评估整合效果的几个工具

除了肉眼观察UMAP，可以用几个量化方法来评估整合质量。Seurat内置的DimPlot按样本分组配合split展示是一种快速检查方式；还可以用scater包的plotExprHeatmap来看不同批次间marker基因表达的一致性。如果你想玩得更细，可以计算每个细胞在批次间的“混合熵”，这个值越接近均匀分布说明批间混匀越好。市面上也有像kBET、LISI这样的专门指标来检测批次效应矫正效果，LISI分数尤其适合Harmony整合后的结果，分数越高代表局部混合程度越好。

5. 常见问题与排查技巧实录

5.1 整合时报内存不够或者跑得太慢

这是出现频率最高的问题。Seurat整合找锚点那一步，内存开销和样本间细胞数量乘积成正比，样本数量越多、每个样本细胞数越多，计算量越大。解决思路有几种。第一个是换用RPCA流程，这个在3.1已经提到，能把计算时间压缩到原来的五分之一甚至更少。第二个是降低参与整合的特征基因数量，从2000减到1500或1000，代价是精度有微小损失，但对常规数据影响不大。第三个最直接：把样本拆得更碎，比如一个样本如果有8万细胞，可以按细胞类型先粗略拆分成两个子对象再整合，这个操作需要你对数据结构有预判，不太适合探索性分析。Harmony流程本身对内存的占用比Seurat小很多，遇到资源瓶颈时我通常直接切到Harmony。

5.2 整合后发现某类细胞消失了怎么办

有一种情况比较令人生气：跑完整合，某种稀少细胞类型在整合后的聚类里看不到了。最常见的原因是整合过程中锚点多数集中在丰度高的细胞类型上，稀有细胞因为数量少、与其它细胞相似度低，没能形成足够的优质锚点，最后被改造成了像邻近的细胞。这时可以试着降低k.filter的值，减少对锚点的过滤强度，让更多边缘锚点参与计算；或者先不整合稀有细胞，把它提取出来单独做整合。另一个选择是先把稀有细胞类型通过marker标记出来，然后用subset提取后另跑一遍整合流程。

如果你用的是Harmony，稀有细胞丢失的问题也偶尔出现，可以把lambda调低一点，减少对批次向量的收缩程度，保留更多原始信号。

5.3 样本间细胞类型组成差异过大，整合难以收敛

还有一类头疼情况：样本A只有T细胞，样本B只有B细胞，两个样本几乎没有共享的细胞类型。这时候CCA找锚点很难找到跨样本对应的细胞，整合结果容易失效——UMAP上两批样本仍然分居两侧，强行整合还会让细胞群形变。遇到这种情况，我的建议是不要盲目整合。先明确你要回答的生物学问题：如果是想比较两个样本各自的细胞组成，那不需要整合，直接做聚类加差异丰度分析就够了；如果是想找一个共同的亚群结构，就得先保证样本间至少有一定的共享细胞类型基础。实在想整合，也可以考虑从公共数据库拉一个参考转录组数据来填补锚点缺失的空白，这个操作对数据质量要求比较高，适合进阶玩家。

5.4 常见问题速查表

6. 写在最后的一点个人体会

整合流程本身跑通不难，真正花时间的往往是把各种边界情况想清楚。我个人的经验是：别一上来就追求复杂的整合算法，先用merge把所有样本跑一遍UMAP，看看原始数据里哪些样本是混在一起的、哪些是分离的，这能帮你预判整合难度。然后再决定走Seurat还是Harmony，先拿少量参数快速跑一个效果预览，再根据预览结果调参。另外强烈建议每跑一个整合版本就把关键参数和对应UMAP图存档，我见过不少人在参数调试过程中把之前效果好的配置覆盖掉了，最后无法复现。数据整合是整个单细胞分析流程的地基，地基没打牢，后头盖什么楼都悬。希望这篇分享能让你少走几步弯路。