单细胞数据整合分析之寻找最近邻（k.anchor、k.filter、k.score、MNN） _FindTransferAnchors_

在单细胞数据中，整合方法是我们用到的最常用的算法，至于函数当然是FindIntegrationAnchors，但是其中有些内容我们需要深入了解一下，anchor是怎么找的？
k.anthor、k.filter、k.score与寻找锚点有什么关系
在这里我们就需要来弄明白整合的一个分析原理。

首先第一步：找anchor
我们在做整合分析的时候，对每个seurat对象都进行了Normalize和FindVariableFeatures，而找到的高变基因就是我们寻找anthor的基础。（默认是2000），当然每个样本找到的高变基因不完全相同，也可以人为指定。对于多个样本的整合，也是重复两个样本的整合，就是对两个的高变基因取交集，进行anthor的查找。（anchor也就是MNN）。
对于anchor寻找的原理，以下图为例：

蓝点表示一个样本的细胞，红点表示另外一个样本的细胞，在查找的过程中，蓝点细胞去寻找红点样本中的k个邻居（Seurat里面默认是5），而红点细胞取寻找蓝点样本中的k个邻居，如果此时有双向邻居，则定义为一个anchor（锚点）。这样在数据集中会找到很多的anchor。
第二步：过滤不可靠的anchor。
不是所有的anthor都可以拿来用的。
在过滤阶段，过滤条件需要放宽，也不要求必须是双向邻居，单向邻居就够了（k.filter: How many neighbors (k) to use when filtering anchors）。这里默认参数是200。200个邻居内所有的anthor都会保留，确定可靠的邻居对。

图片.png
第三步：量化邻居对的可靠程度，采用的是共享邻居的比例。参数是30