BBKNN 单细胞批次整合(PDAC 顶刊复现)
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_30836134/bbknn-pdac。
技能介绍
要解决什么问题
多单细胞样本合并分析时,批次效应会让同一细胞类型按测序批次分开成簇,而不是按生物学身份聚在一起。常见路线是先 FindNeighbors 再做 Harmony 等去批次,再建图降维;在样本多、图谱规模大时,这条链路又慢又容易在参数上互相打架。
本技能聚焦 BBKNN(Batch Balanced KNN):对每个 batch 分别取 K 近邻再合并建图,直接产出图并跑 UMAP,对应 Chen et al., 2025 Cancer Cell PDAC 顶刊复现里的单细胞主线用法,用 bbknnR 把「图从哪里来、和 PCA 维数怎么对齐」讲清楚。
技能如何工作
核心是 版本锁定 + 标准调用 + 稀疏批次策略:在 Seurat 工作流里用固定主线参数(例如 30 PC、nwb=3),用 BBKNN 替代「先邻域图再去批次」的默认组合。运行后要做 断言校验,确认图维、邻域结构与下游聚类输入一致,避免 silent wrong graph。
与 Harmony 的分工在资料里写得很具体:BBKNN 适合 样本多、速度敏感的大图谱单细胞主线;空间或连续协变量、平台差异那条线则用 Harmony(如 group.by=c(orig.ident, technique_type))。每个 compartment 亚群重聚类时保持同一套 3000 HVG / 30 PC / nwb=3 / res=1,保证分群结果可比。
适用边界与注意点
- 不要先跑
FindNeighbors:BBKNN 已经给出图,再跑会覆盖或产生冗余图结构。 n_pcs必须与RunPCA一致:例如 PCA 用 30 维,则n_pcs=30,不一致会直接拉低图质量。- 本技能描述的是 PDAC 顶刊复现的工程参数与校验习惯,不是泛化的「任意数据集一键整合」;换疾病、换 HVG 策略时要对照原文改参,而不是只改分辨率。
若你的目标是按 Cancer Cell 流程复现单细胞整合并与空间主线(Harmony)并存,这份技能把最容易踩坑的三件事(图重复建、n_pcs 错位、亚群参数不一致)写成了可对照的清单。
使用场景
- 按 Cancer Cell PDAC 论文参数,用 bbknnR 替换 FindNeighbors+Harmony 完成多单样本 UMAP 整合
- 多个测序批次的大图谱跑通 BBKNN 后直接聚类,并做图结构断言避免重复建图
- 同一项目里单细胞走 BBKNN 主线、空间数据用 Harmony,需要对照文档分清两套 group.by
- 对每个 tissue compartment 重聚类时,要对齐 3000 HVG、30 PC、nwb=3 与 res=1
适合人员
- 做 PDAC 或同类肿瘤单细胞项目的生信分析员,需要与顶刊一致的 BBKNN 主线与校验步骤
- 维护 Seurat 流水线的工程师,要把 BBKNN 图产出与 PCA 维数、下游聚类输入绑死避免 silent bug
- 同时做 scRNA 与空间转录组的研究者,要在同一仓库里区分 BBKNN 与 Harmony 的适用场景
- 带新人跑批次整合的课题组负责人,希望把「不先 FindNeighbors、n_pcs 对齐」写成可复盘清单