2. 批次效应产生的原因与影响
做组学数据分析这些年，我见过最多的坑就是批次效应。说实话，刚入行那会儿我也不太当回事，总觉得数据都测出来了，标准化一下不就好了？结果有一次做转录组整合分析，三个批次的样本放在一起，差异基因热图直接给我画出三个“殖民地”——每个批次一个颜色块，生物学分组根本看不见。这还没完，后续的富集分析全偏了。
那次之后我就学乖了。处理任何multi-batch数据，第一件事就是问：这批数据是怎么来的？实验做了几轮？送样时间隔了多久？操作人员是不是同一个？试剂批号变没变？仪器换没换？——这些问题背后，就是批次效应的根源。
核心认识：批次效应不是异常，而是多批次实验的必然产物。我们的任务不是消灭它（做不到），而是识别它、量化它、校正它。
2.1 批次效应是怎么产生的？
我习惯把原因分成三类：实验操作类、环境材料类、数据处理类。你仔细看看，大部分数据集的批次问题都能归到这三类里。
| 类别 | 具体因素 | 典型案例 |
|---|---|---|
| 实验操作 | 不同操作人员、不同实验日期、不同取样手法 | RNA提取效率波动5–20% |
| 环境材料 | 试剂批号变更、温度/湿度偏移、仪器校准差异 | 微阵列芯片批次间荧光强度差2–3倍 |
| 数据处理 | 不同分析软件版本、参数设置差异、归一化方法不统一 | Log2转化后均值漂移0.3–0.8 |
嗯，这里要特别提一下“隐蔽批次效应”。我记得有一次帮一个合作团队看代谢组数据，表面上看样本是按时间顺序收集的，但仔细检查发现——所有肿瘤样本都是上午取样，所有正常样本都是下午取样。这导致了代谢物水平的系统性差异，让人误以为是肿瘤相关的生物标志物。你想想看，这种隐含在实验设计里的结构性问题，光靠事后校正是很难干净的。
2.2 批次效应长什么样？
它是两种表现的混合体：均值偏移 和 方差膨胀。
- 均值偏移：同一基因在不同批次中表达水平整体抬高或压低。比如批次1的基因A平均表达量是5，批次2的平均量却到了7。
- 方差膨胀：批次内部的变异被人为扩大或缩小。有时候同一个处理组的样本，在批次1里挤在一起，在批次2里却散得到处都是。
我们用一个简单的模拟来感受一下。假设有两个基因（G1、G2），在三个批次（B1、B2、B3）中分别测量了5个样本。原始值里其实没有生物学差异，但批次效应加进去之后——
# 模拟批次效应（R伪代码示意）
set.seed(42)
G1_B1 <- rnorm(5, mean=5, sd=0.3) + 0 # 无偏移
G1_B2 <- rnorm(5, mean=5, sd=0.3) + 2 # +2 偏移
G1_B3 <- rnorm(5, mean=5, sd=0.3) - 1 # -1 偏移
G2_B1 <- rnorm(5, mean=5, sd=0.3) - 1
G2_B2 <- rnorm(5, mean=5, sd=0.3) + 1
G2_B3 <- rnorm(5, mean=5, sd=0.3) + 2.5你仔细看，G1在B2里的均值比B1高出2个单位，G2在B3里又高出2.5个单位——这些都是纯技术变异，不是生物学信号。
2.3 它带来的影响有多严重？
我个人认为可以分成三个层面来评估。
第一层：假阳性激增
这是最常见的后果。当批次效应与生物学分组混杂时（比如病例组都在第一批，对照组都在第二批），差异分析几乎一定会把批次差异当成组间差异。我在一篇论文里见过两个批次整合后，不加校正就跑edgeR，结果假阳性率高达60%。说白了，你找到的绝大多数“差异基因”都是批次效应。
第二层：假阴性增加
批次效应不仅会制造假阳性，还会掩盖真实的差异。如果某基因的真正变化幅度小于批次间的噪声水平，它就永远不可能被检测到。这就好比在嘈杂的房间里想听清远处的人说话——信号完全被淹没了。
第三层：分类偏离与结果不可重复
聚类分析中，样本往往先按批次聚在一起，再才跟生物学分组相关。有些文章直接用PCA图展示批次分离，却说“无关批次效应”——这其实已经承认了技术变异主导了数据结构。更严重的是，如果用批次效应污染的数据训练预测模型，模型学到的是批次特征而非生物学特征，在不同实验室的数据上几乎一定失效。我曾经见过一个表观遗传学项目，在同一批数据上构建的分类器在独立验证集上准确率直接掉到50%以下——原因就是验证集来自另一个批次的测序。
2.4 怎么样才算是“够严重”？
我常用的判断指标有三个，你可以在做校正前先量化一下：
- 批次间相关系数（Pearson r 或 ICC）：同一生物学状态下，不同批次样本间的相关性应该高于0.8。低于0.6就说明批次效应已经严重干扰了信号。
- PCA/UMAP 可视化：如果样本按批次聚类，而不按生物学分组聚类，说明批次效应主导了数据结构。
- 技术重复的一致性：如果同一个样本的两次测量（技术重复）在PCA图上不被认为是同一个点，而是分开的，那基本上可以判定批次效应不可忽略。
2.5 一个小经验框架
下面这个批次效应识别 → 量化 → 缓解流程是我一直在项目里用的，你参考一下：
💡 实用建议：千万别跳过第一步直接上校正工具。我曾经见过有人把所有数据直接扔进ComBat，结果因为样本量太小、批次太混杂，校正后反而让生物学信号扭曲了。先画一张PCA图，看一眼“第一主成分是否对应批次”——这一步只需要3分钟，但能帮你省下后面3天的纠错时间。
2.6 有没有不用校正的情况？
有。我自己的判断规则是：
- 批次效应轻微且无混杂：如果各批次的生物学分组完全平衡，批次效应又小于0.2个标准差，我有时会不校正——但必须写明在论文的limitation里。
- 后续分析方法对批次不敏感：某些基于秩的非参数方法（比如秩和检验）对均值偏移有一定耐受性，但切勿依赖此侥幸。
- 单批次数据：只有一组样本，没有整合需求，自然不会牵扯批次效应问题。
除此之外，我建议无论数据集看起来多“干净”，都要做批次效应检测并记录在校正流程中。因为审稿人现在越来越成熟，不展示批次效应评估流程几乎会被直接质疑数据的可靠性。