博文

Harmony2：整合大型、复杂的单细胞数据集

已有 201 次阅读 2026-4-11 10:51 |个人分类:科普|系统分类:科普集锦

Harmony2：整合大型、复杂的单细胞数据集

单细胞RNA测序已成为分析健康和病变人体组织中细胞类型和状态的基础检测方法，目前已有来自超过1万名捐赠者的1亿多条数据公开可用。将这些数据集整合到统一的参考图谱中，需要利用计算算法来消除技术差异，同时保留生物学结构。随着图谱规模和异质性的增长，整合过程必须平衡两个相互冲突的目标：既要确保不同批次样本间共享细胞状态的一致性，又要保留真实的生物学差异。

整合方法通常面临两种截然相反的失效模式。整合不足会导致技术变异无法得到校正，而整合过度则会将生物学上不同的细胞类型或状态合并在一起，尤其是在包含不重叠细胞群的异质数据集中。目前已提出多种方法，包括基于 SeuratCCA 和 rPCA 的整合、矩阵分解框架（例如 LIGER）、基于回归的校正方法（例如 ComBat-seq）、深度生成模型（例如 scVI）以及基于回归的嵌入方法（例如 Harmony）。尽管这些方法推动了该领域的发展，但如何在批次校正和生物结构保留之间取得平衡仍然是一个难题。在图谱规模下，这些挑战尤为突出，因为多样化的数据集可能质量参差不齐，并且可能代表不同的细胞类型。同时，大型数据集也带来了巨大的计算需求，要求方法能够高效地应对细胞数量和批次数量的增长。

Harmony 因其速度和准确性而被广泛采用。然而，要扩展到现代图谱规模的数据集，需要在计算效率和对异构批次结构的鲁棒性方面都进行改进。最近，Patikas等人介绍了 Harmony2（图1，https://github.com/immunogenomics/harmony），旨在应对这些挑战。Harmony2 集成了优化的数据结构，包括混合稀疏-稠密矩阵后端和用于箭头结构回归问题的闭式求逆，从而实现了细胞和批次层面的线性扩展。为了提高在异构环境下的鲁棒性，Harmony2 引入了自动批次剪枝和动态参数调优，以降低异常值或非重叠群体的影响。在大规模基准测试和真实世界图谱上，作者们证明了 Harmony2 能够高效扩展，缓解过度整合和整合不足的问题，并能够更好地检测罕见细胞群和疾病相关细胞群。

图1 Harmony2 能够高效地扩展单元和批次规模，同时保持集成质量。(a) 使用 100 万个细胞，批次数量递增时，Harmony1 和 Harmony2 的内存性能 (a) 和运行时间性能 (b)。曲线代表对观测数据点的线性回归拟合。(c,d) 使用 800 个批次，细胞数量递增时，内存性能 (c) 和运行时间性能 (d)。曲线代表线性回归拟合。(e) 箱线图显示了在 Harmony2 集成之前（PCA）和之后，完整 Tahoe-100M 数据集中归一化的单细胞板熵。点代表每个细胞系的平均值，表明集成后板混合程度的增加。(f) Harmony2 集成后 Tahoe-100M 数据集的 UMAP 嵌入，颜色代表 47 个细胞系。UMAP 计算和可视化使用了从完整的 Harmony 校正嵌入中抽取的 1000 万个细胞子集。标签指示位于每个细胞系簇质心的细胞系标识符

参考文献

[1] Nikolaos Patikas, Hongcheng Yao, Roopa Madhu, Soumya Raychaudhuri, Martin Hemberg, Ilya Korsunsky. Integration of large, complex single-cell datasets with Harmony2 bioRxiv 2026.03.16.711825; doi: https://doi.org/10.64898/2026.03.16.711825

以往推荐如下：

1. 分子生物标志物数据库MarkerDB

2. 细胞标志物数据库CellMarker 2.0

3. 细胞发育轨迹数据库CellTracer

4. 人类细胞互作数据库：CITEdb

5. EMT标记物数据库：EMTome

6. EMT基因数据库：dbEMT

7. EMT基因调控数据库：EMTRegulome

8. RNA与疾病关系数据库：RNADisease v4.0

9. RNA修饰关联的读出、擦除、写入蛋白靶标数据库：RM2Target

10. 非编码RNA与免疫关系数据库：RNA2Immune

11. 值得关注的宝藏数据库：CNCB-NGDC