单细胞数据去批次效应算法比较

来源：**BatchBench**和生信技能树jimmy

批次整合效果

• 左图是批次上色，右图是细胞类型上色
• 左图不同区域颜色越混杂越好
• 右图不同区域颜色越纯粹越好，且同一颜色最好在且只在一个区域

资源消耗量

• 实线是批次的熵，越高表示混合程度越好
• 虚线是细胞类型的熵，越低表示区分度越好
• 第一行是批次数量固定为2，细胞数量增长(总计61,000进行下采样)
• 第二行是每个批次固定1001个细胞，批次数量增长
• 第二列是计算消耗的时间，不清楚作者的计算节点性能，但应该很强
• 第三列是计算占用的内存，可以看到Seurat在2个批次6万个细胞时占用了高于30G的内存；而20个批次，2万个细胞时占用了60G内存

校正批次后对聚类的影响

• 上面的col是组织，下面的col是数据来源，左边的row是批次去除算法，右边的row是无监督聚类算法
• 颜色表示调整兰德指数的值，越接近1越好，说明该组织越适合这种批次去除算法和无监督聚类算法

校正批次后对Marker基因的影响

• 红色表示DEG中检测到的标记基因数量占实际标记基因数量的比例
• 深青色表示DEG与实际标记基因集合的相似性
• 可以看出效果一塌糊涂，还是先分群再合并比较好，这些校正批次效应的算法只能用于可视化。