library(Seurat)
library(SeuratData)
library(SeuratWrappers)
library(Azimuth)
library(ggplot2)
library(patchwork)
options(future.globals.maxSize = 1e9)
单细胞测序数据集的整合,例如跨实验批次、供体或条件的整合,通常是scRNA-seq工作流程中的一个重要步骤。综合分析可以帮助匹配数据集之间的共享细胞类型和状态,这可以提高统计能力,最重要的是,有助于跨数据集进行准确的比较分析。在Seurat的早期版本中,我们引入了整合分析的方法,包括我们的“基于锚点”的整合工作流。许多实验室还发布了强大的开创性方法,包括Harmony和scVI,用于综合分析。我们认识到,虽然在许多问题上匹配数据集之间的共享细胞类型的目标可能很重要,但用户也可能会关心使用哪种方法,或者集成可能会导致生物学分辨率的损失。在Seurat v5中,我们引入了更加灵活和简化的基础设施,用一行代码运行不同的集成算法。这使得更容易探索不同集成方法的结果,并将这些结果与排除集成步骤的工作流进行比较。在这篇短文中,我们使用了一个人类PBMC的数据集,该数据集采用了七种不同的技术,作为系统比较分析(pbmcsca)的一部分。这些数据是我们的SeuratData包的一部分。