2. 批次效应概念

批次效应，说白了就是“不是你实验变量带来的差异，却长得跟真差异一样”。

我刚开始做RNA-seq的时候，总以为把样品送去测序，拿到count矩阵就能直接跑差异分析了。结果有一次，我同时处理了两批小鼠肝组织样品——一批是上个月做的，一批是上周补的。跑完PCA一看，诶？所有样品按“送样时间”完美分开，处理组和对照组反而混在一起。我当时就懵了。

这就是典型的批次效应。它不是你的生物学变量（比如处理、时间点）引起的，而是因为样品在不同时间、不同试剂盒、不同操作员、不同测序通道下产生的系统性偏差。

批次效应从哪里来？

在我这些年处理过的几十个项目中，批次效应的来源可以说是五花八门。但归纳起来，主要就这几类：

来源类别	具体原因	我在项目中遇到过
技术操作	RNA提取试剂盒批次不同、反转录酶批次变化、文库构建试剂盒厂商不同	有一次换了个牌子的Trizol，结果GC含量偏高的基因整体down了
测序平台	不同测序仪（HiSeq vs NovaSeq）、不同flow cell、不同lane、不同测序深度	同一批样品在两个NovaSeq lane上跑，其中一个lane的reads质量肉眼可见地低
时间因素	样品采集时间、RNA提取时间、建库时间、测序时间不同	春夏两季采集的血液样本，RNA降解程度差异很大
人员差异	不同实验员操作手法不同、不同实验室标准不同	两个实验室同时做同一个敲除实验，结果差异表达基因一多半是技术重复导致的

你可能要问：这些因素真的有这么严重吗？

我跟你讲，有一次我差点因为批次效应发了一篇“假阳性”文章。那是一个药物处理实验，对照组和处理组各自在不同批次测序。跑差异分析前我没做批次校正，结果发现了3000多个差异基因。当时我还挺兴奋，觉得这个药效果真猛。直到我的一位师兄提醒我：“你不觉得这3000个基因里，有2000个都是housekeeping gene吗？”我重新检查才发现，这些所谓的“差异”其实就是两个批次间的系统偏差，跟药物没有半毛钱关系。

批次效应的表现特征

我个人判断一个数据有没有批次效应，通常看三个信号：

• 主成分分析（PCA）：如果PCA图上，样品按批次分开而不是按实验分组分开，那十有八九有批次效应。我一般会先画一张按实验条件着色的PCA，再画一张按批次着色的PCA，对比一下。
• 层次聚类（HCA）：如果聚类树的第一层分支是按批次而不是按处理划分，说明批次效应是主导变异来源。
• 箱线图或密度图：各个批次样本的表达量分布形状差异太大，比如一个批次整体表达量偏低，另一个批次偏高。

批次效应的“好”与“坏”

你可能觉得奇怪：批次效应还能有好的？

其实，批次效应本身是中性的。它是技术噪声，不是主观错误。关键在于：

• 如果不纠正：它会制造大量假阳性差异基因，也会掩盖真实差异，相当于往数据里掺沙子。
• 如果正确建模：通过DESeq2的设计公式或批量校正方法，可以把这部分变异剥离出来，不让它干扰差异检验。
• 如果完全无法建模：只有两个批次且二者与实验条件完全混杂，那这场实验已经废了。

我记得有次我帮一个师弟看数据，他做的同一个细胞系在不同时间点的RNA-seq。三个时间点，每个点四个生物学重复。PCA一看，所有时间点混在一起，完全没趋势。后来我让他标注每个样品的建库批次，发现每个时间点的样品都是在不同批次建的库，而且建库批次跟时间点完全对应。这意味着时间效应和批次效应完全纠缠在一起，根本分不开。这就是典型的“完全混杂”——从统计上讲，这是个无解的设计问题。

实际操作中，我怎么识别批次效应？

除了上面说的PCA和聚类，我还常用一个土办法——看“housekeeping gene”的表达量。

Housekeeping gene（比如GAPDH、ACTB）正常情况下在不同样本间表达是稳定的。如果发现它们在两个批次间表现出系统性差异，那基本可以判断存在批次效应。当然这不是严格的统计检验，但在探索性分析阶段是个很好的快速检查手段。

另一个实用的方法是相关性热图。不同批次的样本之间如果相关系数显著低于同一批次内的相关系数，那就是批次效应的直接证据。