原理：Harmony需要输入低维空间的坐标值（embedding），一般使用PCA的降维结果。
这是一种将细胞投射到共享嵌入中的算法，其中细胞按细胞类型而不是特定于数据集的条件分组。
Harmony导入PCA的降维数据后，会采用soft k-means clustering算法将细胞聚类。（常用的聚类算法仅考虑细胞在低维空间的距离，但是soft clustering算法会考虑我们提供的校正因素。）
例如：我们的高考加分制度，小明高考成绩本来达不到A大学的录取分数线，但是他有一项省级竞赛一等奖加10分就够线了。同样的道理，细胞c2距离cluster1有点远，本来不能算作cluster1的一份子；但是c2和cluster1的细胞来自不同的数据集，因为我们期望不同的数据集融合，所以破例让它加入cluster1了。
聚类之后先计算每个cluster内各个数据集的细胞的中心点，然后根据这些中心点计算各个cluster的中心点。
最后通过算法让cluster内的细胞向中心聚集，实在收敛不了的离群细胞就过滤掉。调整之后的数据重复：聚类—计算cluster中心点—收敛细胞—聚类的过程，不断迭代直至聚类效果趋于稳定。
官网的原理图
https://portals.broadinstitute.org/harmony/
