单细胞分析避坑指南:你的Harmony批次矫正真的做对了吗?
在单细胞转录组分析中,批次效应一直是困扰研究者的难题。Harmony作为一款强大的批次矫正工具,因其操作简便、效果显著而广受欢迎。然而,许多用户在应用Harmony后,常常会遇到这样的困惑:为什么我的UMAP图上批次效应依然明显?或者更糟的是,那些看似被"完美"矫正的数据,是否已经丢失了关键的生物学信号?
这些问题往往源于对Harmony工作原理的理解不足和参数设置的随意性。本文将从一个质检和排雷的视角,深入剖析Harmony使用中的常见误区,帮助中高级用户优化参数设置,确保批次矫正既有效又保守。
1. Harmony工作原理深度解析
Harmony的核心思想是通过迭代优化,在保留生物学差异的同时消除技术变异。其算法流程可以概括为:
- 初始化 :输入PCA坐标或表达矩阵
- 聚类 :基于当前嵌入对细胞进行软聚类
- 矫正 :计算每个聚类的批次特异性矫正向量
- 整合 :应用矫正并更新嵌入
- 收敛 :重复2-4步直到批次效应最小化
# Harmony基本工作流程示意图
HarmonyWorkflow <- function(data, meta, vars) {
# 1. 数据预处理
if(do_pca) pca_embeddings <- PCA(data)
else pca_embeddings <- data
# 2. 迭代矫正
while(!converged) {
clusters <- softClustering(pca_embeddings)
corrections <- calculateCorrections(clusters, meta,
4524



被折叠的 条评论
为什么被折叠?



