Harmony
单细胞数据整合-1：Harmony原理介绍和官网教程 - 简书
harmony算法与其他整合算法相比的优势：
(1)整合数据的同时对稀有细胞的敏感性依然很好
(2)省内存；
(3)适合于更复杂的单细胞分析实验设计，可以比较来自不同供体，组织和技术平台的细胞。
基本原理:
我们用不同颜色表示不同数据集，用形状表示不同的细胞类型。首先，Harmony应用主成分分析（https://mp.weixin.qq.com/s?__biz=MzI5MTcwNjA4NQ==&mid=2247484036&idx=1&sn=22ee356d0c9680d56dada1b777985ed2&scene=21#wechat_redirect）将转录组表达谱嵌入到低维空间中，然后应用迭代过程去除数据集特有的影响。
(A) Harmony概率性地将细胞分配给cluster，从而使每个custer内数据集的多样性最大化。
(B) Harmony计算每个cluster的所有数据集的全局中心，以及特定数据集的中心。
(C)在每个cluster中，Harmony基于中心为每个数据集计算校正因子。
(D)最后，Harmony使用基于C的特定于细胞的因子校正每个细胞。由于Harmony使用软聚类，因此可以通过多个因子的线性组合对其A中进行的软聚类分配进行线性校正，来修正每个单细胞。
重复步骤A到D，直到收敛为止。聚类分配和数据集之间的依赖性随着每一轮的减少而减小
SingCellaR
当然，SingCellaR本身是类似于Seurat一样，是能进行一站式单细胞数据分析的强大工具，我们可以从下面介绍的Figs中可以看到SingCellaR出图的配色也是别具一格，很漂亮的，而且还整合了多种分析流程；此外，其内置的造血干细胞相关的signatures比较方便大家对干细胞分化进行分析，当换成其它gene sets也是可以的，
CellChat三部曲1：使用CellChat对单个数据集进行细胞间通讯分析
full_join、inner_join、left_join和right_join连接数据框
单细胞基础知识补充5-R语言full_join、inner_join、left_join和right_join连接数据框 - 简书 (jianshu.com)
fread() 函数快速读取大表格以及取子集
