导语

GUIDE ╲

在对单细胞数据的处理中，常常遇到需要对两个或者多个数据集进行整合分析的情况，其中就涉及到数据集的矫正问题，今天我们基于Seurat来为大家介绍几种数据整合的方法，供大家在实践操作中参考选择。

正文

在实际操作中，我们经常会遇到需要对两个或多个单细胞RNA数据进行整合的情况，例如同一批实验中的多个样本/生物学重复/技术重复，来自不同研究项目、不同建库策略、不同测序平台的数据集合并等。如何对数据集合并并从中识别出其中存在的共有的细胞群体就成为了我们单细胞数据分析中的一个挑战。这个挑战主要来自于批次效应。

我们做数据分析的目的就是找到样本之间真实的生物学差异，而当我们希望通过合并同一组织数据挖掘出更有意义的信息时，常常发现明明是同个组织的数据，表达量就是存在明显的差异。那么在数据整合时合适的进行批次矫正操作就能帮助我们降低技术差异引入的影响。

下面我们给大家主要介绍一下Seurat v4中用于数据整合的三种方法。以下代码示例均来自于Seurat v4.0.1教程【1，2】。

01

简单数据整合

简单的数据整合，即没有对数据集做任何校正处理。使用函数seurat::merge()，适用于整合两个或多个数据集。可用于合并原始数据或者标准化后的数据。