去除批次效应过程：对不同样品间的相对表达量（logCPM）进行平移校正，批次效应校正后（integrated）只剩下2000个HVG，及其对应的data（logCPM）和scale.data（中心化data）。再进行亚群分析的时候，该采用什么策略呢？
策略1：沿用大群的2000个HVGs，调整PC和resolution，进行分群。
困惑的问题：2000个HVGs并不是目标细胞群中差异变化的基因。细胞亚群分析特征基因分析的时候，如果使用FindAllmaker函数，对原始RNA count进行分析，细胞群特征显示很差。
策略2：亚群分析的时候不考虑批次效应，从头进行Normalize，HVG筛选，scale化分析，聚类。（这种是否可行？获得的亚群是否过于散乱？）
策略3：将目标细胞群作为整体，再以样本为单位进行批次效应校正，聚类和分群？（这个看起来似乎比较科学）
分群之前不建议做scale，scale的目的主要是统一量纲，然后把方差影响缩小；
一般分群都是要用类似harmony的方法进行整合，整合后主要是为了画图；最后在分群找marker gene的时候还是要用raw count去找。
具体找marker gene的时候，如果是一些成熟体系分群，比如血液的PBMC，已经有非常好的reference，你就照着reference分即可；哪怕是没有很好的reference，都这个年代了，大概率你也不会是第一个搞某个体系分群的人，主要还是要结合过往单细胞的数据去参考；一种极特殊的情况，就是确实之前没人做过你这个单细胞体系的分群，这个时候你主要就应该以以往流式细胞分选分细胞类型的文献为主。
所以，绘图和找marker不是一步的，是两步。
这家伙很懒，还没有设置简介
