1、论文题目：

Effectively Preserving Biological Variations in Multi-Batch and Multi-Condition Single-Cell Data Integration

Qingbin Zhou, Tao Ren, Fan Yuan, Jiating Yu, Jiacheng Leng, Jiahao Song, Duanchen Sun, Ling-Yun Wu

2、文章引用：

Effectively Preserving Biological Variations in Multi-Batch and Multi-Condition Single-Cell Data Integration. (2026). CSIAM Transactions on Life Sciences, 2(1), 177-202.

3、文章介绍：

在高通量生物医学研究中整合不同来源的数据时，技术差异可能掩盖真实的生物学信号，甚至导致错误的细胞分类或疾病差异判断。批次校正的核心目标是在消除技术差异的同时最大程度保留这些信号。然而，批次信息常与疾病状态、组织来源或细胞类型等生物学因素深度交织，使得校正过程若处理不当，就可能削弱甚至抹除关键的生物学差异。如何在“去偏差”与“保信号”之间取得有效平衡，是当前生物医学数据整合领域面临的重要挑战。

为应对上述挑战，本文提出了面向多批次、多条件单细胞数据整合的表示学习框架scFLASH。scFLASH将“去偏差”与“保信号”统一建模为多任务联合优化问题：通过对抗学习消除批次相关的技术差异，通过条件变分自编码器保留条件相关的生物学差异，两个目标在统一的训练过程中协同优化。借助神经网络对高维非线性数据结构的表征能力，scFLASH能够在复杂数据分布下实现稳定而高效的整合。

在多个真实数据集的系统评估中，scFLASH展现出以下优势：核心性能方面，以阿尔茨海默病数据为例，scFLASH在细胞聚类、批次校正与条件差异保留之间实现了更加均衡的整合表现，综合性能优于现有方法（图1）；校正后的结果不仅有效消除了批次效应，还清晰恢复了细胞类型结构及疾病相关的生物学差异（图2）。泛化能力方面，在新型冠状病毒与糖尿病等多条件数据集上，模型同样表现出稳定且一致的整合性能。可扩展性方面，在约670万细胞的跨研究图谱整合任务中，scFLASH仍能高效完成处理。

总体而言，scFLASH为多批次、多条件单细胞数据整合提供了一个兼顾“去偏差”与“保信号”的统一框架，有望为疾病机制解析与跨研究数据整合提供可靠的技术支撑。

图 1不同方法在阿尔茨海默病数据集上的基准性能比较。

图 2阿尔茨海默病数据集整合前后的可视化对比。上图：整合前数据受批次效应影响严重；下图：scFLASH整合后有效消除批次效应，清晰恢复细胞类型结构与疾病相关差异。

4、作者介绍：

孙端辰：山东大学数学学院教授、齐鲁青年学者，主要从事数学、信息科学与生物医学问题的交叉研究。目前担任国际计算生物学学会中国理事会（ISCB-China）理事、中国运筹学会计算系统生物学分会理事。

吴凌云：中国科学院数学与系统科学研究院研究员，主要从事生物信息学算法、区块链技术与应用、数据驱动的运筹优化算法研究。目前担任中国工业与应用数学学会常务理事、中国运筹学会常务理事兼常务副秘书长、北京运筹学会副理事长。

5、期刊简介：

《CSIAM Transactions on Life Sciences》（CSIAM-LS）是由中国工业与应用数学学会（CSIAM）继旗舰期刊《CSIAM Transactions on Applied Mathematics》后推出的一本新期刊。CSIAM-LS是一本创新性的跨学科期刊，聚焦数学与生命科学的交叉领域，覆盖生物学和医学的数学理论、模型和算法，包括计算系统生物学、生物信息学、生物医学工程、群体动力学、计算神经科学等。CSIAM-LS由中国科学院院士、武汉大学校长张平文担任主编，上海交通大学数学科学学院讲席教授楼元担任总编辑。

期刊官网：https://global-sci.com/csiam-ls/index

《CSIAM Transactions on Life Sciences》欢迎大家积极投稿。投稿网站：https://mc03.manuscriptcentral.com/csiam-tls