官方流程：https://satijalab.org/seurat/articles/integration_mapping.html
Reference paper: Comprehensive integraton of single-cell data(https://linkinghub.elsevier.com/retrieve/pii/S0092-8674(19)30559-8)
FindIntegrationAnchors: https://satijalab.org/seurat/reference/findintegrationanchors
IntegrateData: https://satijalab.org/seurat/reference/integratedata
FindTransferAnchors: https://satijalab.org/seurat/reference/findtransferanchors
TransferData: https://satijalab.org/seurat/reference/transferdata
原理
Seurat整合数据集的过程首先是对不同的数据集进行降维，在低维空间中寻找成对的anchors，然后再以anchor作为锚点，对其他的点的坐标进行调整，从而将整个数据集整合在一起。
Integration
官方教程中，在进行数据整合之前，先将所有的数据整合在一起，再split成一个object list，在object list中又进行了标准化等操作。真正进行整合的核心代码其实是FindIntegationAnchors以及IntegrateData两个函数来实现的。
reference.list <- pancreas.list[c("celseq", "celseq2", "smartseq2")]
pancreas.anchors <- FindIntegrationAnchors(object.list = reference.list, dims = 1:30)
pancreas.integrated <- IntegrateData(anchorset = pancreas.anchors, dims = 1:30)
下面对这两个函数进行说明。
FindIntegrationAnchors
这个函数主要完成以下几个步骤：
- 降维
对list中的数据集分别进行降维，以便下一步在低维空间中寻找细胞的nearest neighbors。这一步可以选择不同的方法，包括cca(canonical correlation analysis) rpca(reciprocal pca) rlsi三种，可以用reduction进行设置，默认方法为cca。
cca是针对两个不同数据集，寻找两个数据集之间相关性最大的成分的分析方法。 - 寻找anchors
在低维空间中，对于一个数据集中的每个细胞，寻找它在另一个数据集中距离最近的k个细胞（k nearest neighbors）。如果X数据集中的细胞a在Y数据集中找到了b1 b2 … bk这几个kNN，而Y数据集中的b1细胞在X数据集中找到的kNN又恰巧包括a，那么a和b1就是一对nearest neighbor，又称为mutual nearest neighbor(MNN)。在这一步中，可以设置的参数为k.anchor，就是在相对数据集中寻找到的neighbor的个数，默认值为5. - 过滤anchors
这一步将在未降维的原始数据集中，提取与CCV(canonical correlation vectors)相关性最高的n个features。对其进行normalization，然后在这些feaure构成的空间中，对上一步找到的nearest neighbor pairs进行筛选。比如，若上一步找到的a和b1这个pair，在这个高位空间中，a的前k个nearest neighbor中不包含b1，那么这个nearest neighbor pair将会被过滤掉，不会再被使用。在这一步中，可以自行设置的参数包括max.features，即选取多少个最相关基因构成高维空间，默认为200；k.filter，即在相对数据集中寻找nearest neighbor的个数，默认为200。需要注意的是，这一步寻找NN的范围设置较宽，因为不是为了寻找新的pair，而是为了过滤掉在上一步中找到的不可靠的Pair。 - 对anchors进行打分
如果X数据集的细胞a与Y数据集中的细胞b相似，那么细胞a应该也与Y中与b相似的那些细胞相似，细胞b应该也与X中与a相似的那些细胞相似。基于这种原理对anchor进行打分。对于一个X Y数据及中的一对anchor pair a和b，在X数据及中找到与a最相似的k个细胞，同时在Y数据集中也找到与其最相似的k个细胞，同时也对b做相同的事情。然后计算他们又多少neighbor是共享的，即shared nearest neighbors(SNN)。根据SNN的比例对这个anchor pair进行打分。SNN越多，打分越高，意味着这个paire越可靠，在后续的整合中这个pair就会有更高的权重。涉及这一步的参数是k.weight，即在不同数据集中寻找的neighbor的个数，默认为30。
经过这几步，FindIntegrationAnchors就会找到两个数据集之间的较为可靠的anchors，并且对可靠性有一个评估。
IntegrateData
这个函数主要完成对于每个细胞校准。
对于每个细胞，找到与其距离最近的k个anchors，然后根据细胞与anchor的距离，以及上一步对anchor可靠性的打分，决定每个anchors对这个细胞的权重。k值由k.weight设置，默认值为100。然后利用anchors的坐标以及不同anchors所占的权重，对每个细胞的表达数据进行校准。
IntegrateData返回的是与SCTransform或NormalizeData相同格式的数据slot。如果normalization.method设置为LogNormalize，则返回数据为normalized slot，储存在@data中，如果设置为SCT，则返回数据为完成中心化的数据，储存在@scale.data中。
Transfer
Transfer实现的是将一个数据集的某个标签转移到另一个数据集上。核心函数是FindTransferAnchors以及TransferData。
pancreas.anchors <- FindTransferAnchors(reference = pancreas.integrated, query = pancreas.query,
dims = 1:30, reference.reduction = "pca")
predictions <- TransferData(anchorset = pancreas.anchors, refdata = pancreas.integrated$celltype, dims = 1:30
如果要实现将query数据集按照与reference数据集相同的降维坐标进行展示的话，需要使用FindTransferAnchors以及MapQuery。在对reference数据集进行umap降维时，需要设置return.model = TRUE。
pancreas.integrated <- RunUMAP(pancreas.integrated, dims = 1:30, reduction = "pca", return.model = TRUE)
pancreas.query <- MapQuery(anchorset = pancreas.anchors, reference = pancreas.integrated, query = pancreas.query,
refdata = list(celltype = "celltype"), reference.reduction = "pca", reduction.model = "umap")
FindTransferAnchors
这个函数的步骤与FindIntegrationAnchors相似，因而参数设置也很相似。包括k.anchor, filter, k.score，且默认值与FindIntegrationAnchors相同。
但是也有一些默认不同的参数：
reduction默认设置为‘pcaproject’而不是integration中的cca，如果想实现与integration相似的效果的话，可以将该参数设置为cca。
MapQuery
这个函数是三个函数的整合，分别是TransferData, IntegrateEmbeddings, ProjectUMAP。
TransferData中k.weight默认为50，如果要额外进行设置的话，可以通过MapQuery中的transferdata.args = list(k.weight = 100)将参数设置传给TransferData，使其与IntegrationData的参数保持一致。
