Harmony方法在2019年发表在上面nature methods，

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cluster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。

在R中安装harmony

library(devtools)
install_github("immunogenomics/harmony")

使用Seurat进行PCA

library(Seurat)
library(tidyverse)
library(dplyr)
library(patchwork)
library(harmony)

harmony要求输入的对象必须含有PCA坐标。运行NormalizeData(), FindVariableFeatures(), ScaleData(), RunPCA()后，得到相应的seurat对象。具体操作见 Seurat基本分析流程

使用harmony进行整合

在seurat流程中使用harmony非常方便，只需要注意以下两点：

1. 运行harmony的函数为RunHarmony()
2. 在下游分析中，降维方式选择harmony而不是默认的pca

比如，需要运行UMAP，则使用以下代码：

seuratObj <- RunHarmony(seuratObj, "dataset")
seuratObj <- RunUMAP(seuratObj, reduction = "harmony")

在分析流程上，按照seurat标准流程进行即可。