空间转录组多样本整合实战：基于stlearn的批次效应消除与聚类分析

1. 为什么你的空间转录组数据需要“合体”？

大家好，我是老张，在单细胞和空间转录组这块折腾了快十年了。今天咱们不聊虚的，直接上手一个实战问题：当你手头有好几个空间转录组样本时，该怎么把它们揉在一起分析？这可不是简单的“1+1=2”，处理不好，你看到的生物学信号可能全是技术噪音。

想象一下这个场景：你手上有四张来自同一病人不同部位的乳腺癌组织切片，或者是从不同病人身上取的同类组织，都用10x Genomics做了空间转录组测序。你兴冲冲地分别对每个样本做了聚类，想看看细胞类型分布。结果发现，同一个理论上应该出现的细胞亚群，在样本A里聚成了第3群，在样本B里却跑到了第5群。这还没完，当你比较不同样本间“看似相同”的这群细胞时，它们的基因表达谱却对不上号。你挠头了：这到底是真实的生物学差异，还是实验批次、测序深度不同带来的假象？

这就是批次效应（Batch Effect），它在高通量测序里，尤其是多个样本整合时，是个超级大麻烦。它就像给每个样本的数据都戴上了一副有色的、度数还不一样的眼镜。不把这副眼镜摘掉，你永远看不清数据本来的样子。空间转录组数据本身噪声就大，空间位置信息又增加了复杂性，直接合并多个样本只会让批次效应雪上加霜，导致后续的聚类、差异分析结果完全不可信。

所以，整合分析的核心目的，就是“去伪存真”。通过算法把那些由技术原因（比如不同实验日期、不同操作员、不同玻片）引入的系统性偏差给消除掉，让数据回归到反映真实生物学状态的水平。只有这样，我们才能：

• 进行公平的比较：比如，真正比较癌症组织与癌旁组织的细胞组成差异。
• 发现稀有的、跨样本一致的细胞亚群：有些重要但稀少的细胞类型，在单个样本里信号太弱，整合多个样本能增强统计效力，把它们“捞”出来。
• 构建更普适的细胞图谱：整合多个样本的数据，能让我们建立一个更稳健、更全面的组织细胞类型参考图谱。

stlearn这个工具，就提供了一套挺顺手的流程，帮我们搞定从数据合并、去批次到聚类映射的全过程。它底层巧妙借用了单细胞分析中久经考验的Scanpy生态，又在空间可视化上做了自己的封装，用起来感觉就像有个经验丰富的老手在旁边搭了把手。

2. 实战前夜：理解stlearn的整合“三步走”策略

在敲代码之前，咱们得先摸清stlearn干这活儿的整体思路。它不是变魔术，而是一套逻辑清晰的组合拳。理解了这套拳法，后面调参数、解bug才能心里有数。

它的核心流程可以概括为 “先合后分，再物归原主”。

第一步：物理合并，但保留“身份证”。 我们手头有多个独立的AnnData对象（比如叫 sample1, sample2）。stlearn（其实是调用Scanpy）会先把它们用 concatenate 函数拼成一个大的AnnData对象，我们叫它 adata_concat。这一步非常关键的是，合并时会自动创建一个叫 batch 的列在 .obs 属性里，用来记录每个细胞（spot）原来属于哪个样本。这就是后续去批次效应的“钥匙”。你可以把它想象成把来自不同学校的学生集中到一个大操场，但每个人胸前都别着自己学校的校徽。

第二步：核心战场——用Harmony消除批次效应。 这是整个流程的灵魂。Harmony算法是个挺聪明的家伙，它不粗暴地强行把所有数据拉平，而是假设：真正的生物学变异（比如细胞类型）是跨批次共享的，而批次效应是每个批次特有的。它通过迭代的方式，学习一个“校正矩阵”，把数据在主成分（PCA）空间里进行旋转和调整，使得相同细胞类型的点聚在一起，而不同批次带来的偏移被消除。在代码里，我们就是把PCA的结果和 batch 信息喂给Harmony，它吐出一套校正后的坐标。

第三步：在“纯净”的数据上聚类，再把标签还回去。 在Harmony校正后的低维空