给定一个疾病，围绕该疾病产生的单细胞数据会有许多个。这些单细胞数据的产生来自不同实验条件、不同实验室以及不同组织区域。如果我们想融合该疾病所有关联的单细胞数据，必须要解决的困难是：消除或者减轻这些不同单细胞数据之间复杂并且嵌套的批次效应（batch effect）。

何谓批次效应？简而言之，批次效应就是数据里不必要的技术偏差，这些技术偏差是通过处理不同批次细胞产生的。具体而言，这些效应来源于测序深度、测序通道、阅读长度、样品流通池、协议、实验室、样本获取预处理、样品组成、抽样时间等。此外，诸如组织、空间区域、种类、时间点等生物因素也会产生批次效应。

为了融合不同来源的单细胞数据以进行下游分析，接近50个数据融合方法（如果想查看已有单细胞数据融合方法可参见链接https://static-content.springer.com/esm/art%3A10.1038%2Fs41592-021-01336-8/MediaObjects/41592_2021_1336_MOESM1_ESM.pdf中的附表1）被提出。这些方法各有特点和局限性，如何选择适合用户的单细胞数据融合方法，是许多单细胞数据下游分析者很关心的事情。既然涉及选择单细胞数据融合方法，就涉及基准问题，在基准框架内需要对不同方法进行评估和打分。其中，scIB（single-cell integration benchmarking）就是这样的一类单细胞数据融合基准框架。

图1 scIB数据融合基准框架

scIB选用16种流行单细胞数据融合工具，并且执行13个单细胞数据融合任务（涉及23个批次和100万个单细胞，图2）。在开展单细胞数据融合任务过程中，使用14个度量指标来评估这些方法去除批次效应的能力。

图2 13个单细胞数据融合任务

结果发现：对于复杂单细胞数据融合任务，Scanorama和scVI两种方法表现良好；如果单细胞注释信息已知，scGen和scANVI比大部分其他方法表现的都好；在window和peak特征空间进行scATAT-seq数据融合方面，Harmony和LIGER是两种有效方法。详细结果比较，可参见原文（图3）。

图3 scIB论文

后话

scIB论文的工作量非常大，相应的比较结果与分析也非常详实。另外，罗列的已有单细胞融合方法也很全面。如果自己不能够比较这么多方法选择适合自己的单细胞融合方法，可以参考scIB论文的比较与分析结论：对于复杂单细胞数据融合任务，选择Scanorama和scVI；如果单细胞注释信息已知，选择scGen和scANVI；如果进行 scATAT-seq数据融合，选择Harmony和LIGER。

参考文献：

[1] Luecken MD, Büttner M, Chaichoompu K, et al. Benchmarking atlas-level data integration in single-cell genomics. Nat Methods. 2022;19(1):41-50. doi:10.1038/s41592-021-01336-8

以往推荐如下：

1. 因果推理综述推荐一篇

2. 生物学家的机器学习指南

3. 基础模型的机遇与风险

4. 一份单细胞数据分析教程

5. R/Shiny交互式生物Web应用程序

6. VOSviewer：文献图谱可视化

7. ​卡片式笔记工具：Roam Research

8. ​国外知乎：Quora

9. 生信问答平台：Biostars

10. ​IT问答平台：Stack Overflow

11. 预印本知多少？

12. 借助Bioconductor策划单细胞分析

13. 要选哪个蛋白质互作数据库作为先验信息？

14. mRNA表达无法取代蛋白质表达