前情回顾：

如Stuart， Butler等Comprehensive Integration of Single-Cell Data所述。Seurat v3引入了集成多个单细胞数据集的新方法。这些方法的目的是识别存在于不同数据集中的共享细胞状态(shared cell states)，即使它们是从不同的个体、实验条件、技术甚至物种中收集来的。

我们的方法旨在首先识别数据集对之间的“锚(anchors)”。这些代表了个体细胞之间成对的对应关系(每个数据集中有一个)，我们假设它们源自相同的生物状态。然后，这些“锚”用于协调数据集，或将信息从一个数据集传输到另一个数据集。下面，我们将演示集成分析的多种应用，并介绍2019年文章的中描述的之外的新功能（cell，Comprehensive Integration of Single-Cell Data）。为了帮助指引用户，我们简要介绍以下功能:

描述标准Seurat v3集成工作流，并将其应用于集成(跨不同技术)收集的多个人类胰岛数据集。我们还演示了如何使用Seurat v3作为分类器，将集群标签传输到新收集的数据集中。我们向新用户推荐这个。

描述v3集成工作流的一个修改，以便应用于使用我们的新规范化方法SCTransform进行规范化的数据集。我们将此方法应用于与前面描述的相同的胰岛数据集，并集成来自8种不同技术的人类PBMC数据集 eight different technologies，作为人类细胞图谱的系统技术基准。

我们向熟悉SCTransform归一化方法的高级用户推荐这个方法。您可以在我们最近的预印本（preprint）中阅读有关SCTransform的更多信息，并了解如何将其应用于单独的方法中的单个数据集（ vignette）。

描述v3集成工作流的修改，其中将数据集的子集(或单个数据集)作为“参考”（reference）列出。这种方法可以显著提高速度，特别是在需要集成大量数据集的情况下。我们将此方法应用于上面描述的8个PBMC数据集，并观察到相同的结果，尽管处理时间大大减少。 对于正在集成许多数据集并希望提高速度的用户，我们推荐使用这个方法。

在这个例子工作流中，我们演示了我们最近在论文中引入的两种新方法，Comprehensive Integration of Single Cell Data:

在本例中，我们选择了通过四种技术(CelSeq (GSE81076) CelSeq2 (GSE85241)、Fluidigm C1 (GSE86469)和SMART-Seq2 (E-MTAB-5061)生成的人类胰岛细胞数据集。为了方便起见，我们通过SeuratData包分发这个数据集。

新方法的代码在Seurat v3中实现。您可以使用install.packages从CRAN下载和安装。

除了新的方法之外，Seurat v3还包含了许多旨在改进Seurat对象和用户交互的改进。为了帮助用户熟悉这些更改，我们为常见任务编写了一个命令备忘单（ command cheat sheet）。

载入包和数据：

要构造参考数据集，我们将在各个数据集之间标识“锚”。首先，我们将组合的对象拆分为一个列表，每个数据集作为一个元素。

在找到锚之前，我们执行标准的预处理(log-normalization)，并为每个锚分别识别变量特性。注意，Seurat v3实现了一种改进的基于方差稳定转换(“vst”)的变量特征选择方法。