编辑推荐：
在组学数据分析中，数据整合产生的批次效应（batch effects）及缺失值问题影响分析结果。研究人员开展了关于 HarmonizR 框架改进的研究。结果显示，新策略显著提升运行效率，最多能挽救 103.9% 的特征。这一成果为处理复杂组学数据提供了更有效的方法。
在生命科学的研究领域，组学数据（如基因组学、转录组学、蛋白质组学和代谢组学等）就像是打开生物奥秘之门的钥匙，被广泛用于探索健康与疾病状态下的分子变化。然而，单个队列测量往往因实验室流程或测量技术的限制，缺乏足够的统计效力。就好比用一把小尺子去测量一个大物体，总是难以准确把握全貌。为了弥补这一缺陷，科学家们常常采用数据整合的方法，扩大队列规模。
可新的问题又出现了，数据整合会引入内部偏差，也就是批次效应。想象一下，用不同的秤去称同一样东西，每次得到的结果可能都会有些差异，这些差异就类似批次效应。在蛋白质组学等领域，这个问题尤为突出。蛋白质组高度动态，实验差异大，而且常用的串联质谱标签（TMT）定量技术虽然能减少数据不完整性，但无法彻底解决问题，还会在数据集内引入批次效应。同时，像 ComBat 和 limma 这些常用的批次效应调整算法，面对缺失值数据时也无能为力。在这样的困境下，研究人员迫切需要一种新的方法来突破这些难题。
来自德国的 Helmut Schmidt - University、University Medical Center Hamburg - Eppendorf、German Electron Synchrotron（DESY）以及 University of Hamburg 的研究人员，针对这些问题展开了深入研究。他们聚焦于对 HarmonizR 框架进行改进，旨在提升其处理数据的能力。研究结果令人振奋，改进后的 HarmonizR 在运行效率和数据保留方面都取得了显著提升。这一成果发表在《BMC Bioinformatics》上，为组学数据分析提供了新的有力工具。
研究人员在研究过程中，主要采用了两种关键的技术方法。一是引入新的分块策略（blocking strategy），通过设置分块参数，将相邻批次合并处理，减少子矩阵数量，从而提升算法性能。二是开发了 “唯一去除”（unique removal）策略，对具有唯一批次组合的特征进行处理，在保留数据的同时，有效解决了原有算法无法处理单特征矩阵的问题。
下面来详细看看研究结果。在计算性能方面，研究人员对三个 TMT 数据集、一个人工数据集和一个单细胞 RNA 测序数据集进行了测试。结果表明，分块功能的实施显著缩短了 HarmonizR 框架的运行时间。例如，对于不同数据集，设置分块参数为 2 时，运行时间可减少 1.59 - 64.86 倍。而且随着处理器核心数量的增加，默认 HarmonizR 和分块变体的运行时间都有所减少，不过在 4 - 12 个核心时加速效果出现饱和。在几种排序方法中，基于稀疏性（sparsity - based）的排序几乎不增加运行时间，而基于 Jaccard 指数（Jaccard - based）和基于系列化（seriation - based）的排序虽然耗时较长，但能更好地挽救特征。
在批次效应减少的有效性上，研究人员通过多种指标进行评估。以 Krug 等人的数据集为例，从热图和树状图可以看出，调整后的数据批次效应明显降低，而且分块方法也能达到良好的调整效果。轮廓系数（silhouette score）进一步量化了这一结果，调整后的数据聚类效果更好。同时，研究人员还发现，即使人为增加数据中的缺失值比例，改进后的 HarmonizR 依然能有效减少批次效应。
在特征保留方面，新实施的 “唯一去除” 策略效果显著。对于最大的 TMT 数据集（Nusinow 等人的数据集），相比旧版本的 HarmonizR，新方法能多挽救 6610 个特征（增加 103.9%），相比原始的 ComBat/limma，能多挽救 7872 个特征（增加 123.8%）。对 Krug 等人的数据集进行基因本体富集分析（GOEA）发现，新挽救的蛋白质与多种重要的生物学过程相关，如阴离子跨膜运输、细胞间黏附等。
研究结论和讨论部分进一步强调了这些改进的重要意义。分块策略显著降低了运行时间，使 HarmonizR 能够处理更大的组学数据集，比如单细胞蛋白质组学和单细胞 RNA 测序数据。虽然分块会导致少量数据丢失，但通过排序参数和 “唯一去除” 策略可以在一定程度上缓解这一问题。而且，这种新的 HarmonizR 更新适用于任何存在内部偏差的大数据集。总的来说，这项研究为组学数据分析提供了更高效、更强大的工具，有助于科学家们更准确地揭示生物奥秘，推动生命科学和健康医学领域的发展。
