1. RNA-seq批次效应概述
做RNA-seq分析这么多年，我遇到的第一个坑就是批次效应。说白了，批次效应就是不同时间、不同试剂、不同操作员做出来的数据，明明测的是同一种样本，结果却自带了一堆“假差异”。这玩意儿不处理，后面差异表达、聚类、富集分析全是白搭。
批次效应到底是什么
我们用一个最简单的场景来解释。假设你要比较肿瘤和正常组织的表达谱，今天测了3个肿瘤样本、明天测了3个正常样本。结果一看差异基因，好几百个。你很兴奋，但冷静下来想想——这些差异到底是生物学差异，还是因为今天和明天的温度不同、试剂批次不同、或者上机的人手抖了一下造成的？
这就是批次效应。它不是随机噪声，而是系统性的、与生物学因素无关的技术偏差。我习惯把它的特征总结为三点：
- 系统性：整个批次里的样本都受相同影响，不是个别样本的偏差。
- 与生物学无关：即使两批样本来自同一组织、同一处理，表达谱也会被强行拉开。
- 隐藏性强：不画图、不检验，光看差异基因列表根本发现不了。
为什么批次效应值得重视
你想想看，RNA-seq本身成本就不低，如果因为批次效应把结论搞错了，那时间和钱都白花了。而且现在很多公共数据库（比如GEO、TCGA）的数据都是不同实验室、不同时间上传的，不做批次校正就合并分析，错误率会高得吓人。
我印象很深的一次，是帮朋友做一个多中心队列的转录组整合。他事先合并了5个实验室的数据，直接跑差异表达，筛出800个候选基因。我随手做了个PCA——好家伙，样本完全按实验室聚成了5堆，处理组和对照组的差异还没批次差异大。最后不得不重新校正，候选基因一下只剩2个。你说这原始结果能信吗？
更严重的是，批次效应还会影响下游的机器学习模型。比如你拿一批数据训练模型、另一批做验证，模型预测准确率可能直接从90%掉到50%。因为模型学到的不是生物学规律，而是“如何区分不同批次”。我经常跟学生讲：批次效应就是RNA-seq分析里的“隐形杀手”。
常见的产生原因
要解决问题，先得知道问题是怎么来的。根据我的经验，原因可以归纳为四大类：
| 类别 | 具体原因 | 典型例子 |
|---|---|---|
| 操作条件 | 不同时间、不同人、不同环境 | A组在冬天提取RNA，B组在夏天；或换了个实习生做建库 |
| 试剂耗材 | 试剂批号、试剂盒版本 | TRIzol是去年买的，今年新开一瓶；或逆转录试剂盒换了品牌 |
| 测序平台 | 不同型号的测序仪、不同流动槽 | 一批用HiSeq 2500，一批用NovaSeq 6000；或同一机器不同泳道 |
| 数据预处理 | 比对版本、计数工具、参数不同 | 旧数据用STAR 2.7.3a，新数据用STAR 2.7.10b |
实际上，很多原因之间还会叠加。比如我遇到过的一个真实案例：同一个项目的两个批次，不仅换了测序平台，连建库试剂盒也换了，而且时间隔了半年。那数据校正起来真是头疼。
一张图看懂批次效应的来源
下面这张SVG图展示了批次效应在RNA-seq全流程中可能出现的环节。你可以把它当作一张“风险地图”，做实验和分析的时候心里就有数了。
个人经验：如何从一开始就防住批次效应
说实话，最好的批次校正就是不让它产生。我建议在实验设计阶段就做到以下几点：
- 随机化：不同处理组的样本不要按批次划分，要交叉混合。比如24个样本分2批测，每批都包含12个样本（6个对照+6个处理）。
- 记录元数据：把每批样本的RNA提取时间、建库日期、测序流动槽编号、操作员姓名全记下来。越细越好。
- 用相同的试剂盒和平台：尽量不要中途换试剂或升级仪器。如果非换不可，最好在同一个批内完成所有样本的对比分析。
- 预留批次效应校正样本：在每批中加入一个相同的“桥接样本”（比如同一个细胞系的RNA），方便后面做校正。
我以前有个项目，就是因为没做随机化，所有对照样本都在第一批、处理组在第二批。结果校正算法根本分不清哪些是真正受处理的基因，哪些是批次带来的噪声。最后只能把整个实验重做——浪费了3个月和十几万经费。
好，这一章我们就把批次效应的概念、重要性和常见原因理清楚了。接下来我们该讨论如何用实际工具去检测和评估批次效应——不过那是后面的内容，我们先把这个基础打牢。