用途：学习一个共享的低维表示，在混合技术批次的同时保留生物细胞状态，再在其上聚类与可视化。
主要能力：覆盖 Python 与 R 两类实现。Python 侧包括 sce.pp.harmony_integrate、scvi.model.SCVI、sce.pp.bbknn、scanorama；R 侧包括 RunHarmony、IntegrateLayers（Seurat v5）、fastMNN（batchelor）。资料给出方法选择表，说明各方法的模型假设、适用与失效场景，并列出强度参数（Harmony 的 theta、Seurat 的 k.anchor、scVI 的 n_latent、fastMNN 的 merge.order）。
使用方式：Harmony 流程为联合预处理、PCA、harmony_integrate、在 X_pca_harmony 上做邻居/UMAP/聚类；scVI 需将原始 counts 放入 layer，setup_anndata 后训练并取 latent；Seurat v5 按批次 split layers，运行标准流程后调用 IntegrateLayers 再 JoinLayers。评估时分别计算批次与细胞类型轮廓系数，并可用 scib-metrics Benchmarker。
适用场景：批次效应明显、细胞类型组成跨批次共享的多样本整合。
限制：整合在批次混合与生物信号保留之间存在权衡，二者无法同时最大化；批次与生物学混杂时不可识别，需实验设计解决。过度校正会吸收稀有细胞类型、抹平连续梯度、删除条件特异群体。差异表达须在未校正的对数归一化 counts 上进行，不可用批次校正后的表达；Harmony 与 BBKNN 不产生校正 counts。参考映射属封闭世界，可能给新状态错误标签。资料未提供具体收费与平台信息。