4. SVA算法原理详解
SVA，全称Surrogate Variable Analysis，中文叫「替代变量分析」。说白了，它不是为了消灭批次效应本身，而是找到那些能代表批次效应的隐藏变量，然后让下游分析把它们也考虑进去。
我最早接触SVA的时候，总觉得它跟ComBat是对头。后来才明白，它们干的事情完全不一样。ComBat是直接修数据，SVA是找出干扰因子，让模型自己消化掉。
4.1 SVA的核心思想
我们先想想一个问题：为什么会有批次效应？
其实不光是实验日期、操作员这些明显因素。很多我们根本没记录的东西也会影响数据——比如室温漂移、试剂批号、芯片批次。这些变量没被测量，但它们在数据里留下了痕迹。
SVA的思路很简单：从数据矩阵里把这些隐藏的干扰因子「反推」出来。它不要求你知道这些因子具体是什么物理量，只要求它们能解释数据中跟生物学变异无关的那部分结构。
数学本质
SVA把数据矩阵 \(Y_{m \times n}\) 分解成三部分：
Y = Xβ + Sγ + E其中：
- Xβ — 已知的生物学变异（比如疾病组vs对照组）
- Sγ — 未知的替代变量效应（就是我们要找的）
- E — 随机噪声
SVA的任务：在不知道S的情况下，通过残差分析和奇异值分解估算出S的列向量。
4.2 算法流程拆解
SVA跑一遍需要做三件事。我习惯把它分成三步理解，每一步都有一个躲不开的坑。
- 第一步：建立零模型
先用已知协变量（比如分组变量）做回归，得到残差矩阵。这个残差矩阵里装的就是批次效应和噪声的混合体。 - 第二步：对残差做SVD
奇异值分解，找出最重要的几个奇异向量。这些向量就是候选的「代理变量」。 - 第三步：筛选有效代理变量
哪些奇异向量真的是批次干扰，哪些只是噪声？SVA通过置换检验来确认。
我踩过最深的一个坑就在第二步。以前我直接拿整个数据矩阵做SVD，结果选出来的代理变量跟生物学变异高度相关，把真实信号也当批次效应给拿掉了。正确的做法是必须先回归掉生物学变异，再用残差做SVD。
曾经踩过的坑：如果分组信息不够精确，零模型回归不干净，残差里还残留生物学信号，SVA会把生物学差异也当成批次效应。所以SVA的前提是：分组变量必须能捕获你要研究的生物学变异。
4.3 矩阵分解的细节
SVA用到的SVD套路，其实跟主成分分析（PCA）同源。但SVA做了一点关键改动：它只对残差矩阵做分解。
具体来说，设残差矩阵 \(R\) 的奇异值分解为：
R = UDV^T其中 \(U\) 的左奇异向量就是候选的代理变量。我们取前 \(k\) 个左奇异向量，放进矩阵 \(S\) 里，然后重新拟合模型：
Y = Xβ + Sγ + E这里的 \(k\) 怎么选？SVA内置了一个基于置换检验的方法。它打乱样本的生物学标签，重新计算残差矩阵的奇异值，看看哪些奇异值明显大于随机水平。那些显著大的奇异值对应的左奇异向量，才被保留下来。
| 步骤 | 输入 | 输出 | 关键参数 |
|---|---|---|---|
| 零模型回归 | 表达矩阵 + 分组向量 | 残差矩阵 | 分组变量是否包含协变量 |
| SVD分解 | 残差矩阵 | 奇异值 + 左奇异向量 | 是否中心化/缩放 |
| 置换检验 | 原始数据 + 置换次数 | 显著奇异值个数 | 置换次数建议≥1000 |
| 合并代理变量 | 左奇异向量 + 分组等式 | 修正后的模型矩阵 | 是否保留原始变量 |
4.4 与ComBat的对比
SVA和ComBat虽然都处理批次，但思路完全不同。我觉得拿它们做个对比，理解会更深刻。
| 维度 | SVA | ComBat |
|---|---|---|
| 校正方式 | 先识别代理变量，再放进模型 | 直接调整均值/方差参数 |
| 是否需要批次标签 | 不需要（自动推断） | 需要（已知批次ID） |
| 是否修改原始数据 | 不修改，只在建模时纳入 | 修改表达矩阵的值 |
| 适用场景 | 批次来源未知/复杂 | 批次来源明确 |
| 输出结果 | 代理变量矩阵 + 调整后的模型 | 校正后的表达矩阵 |
我个人的经验是：如果你手里有明确的批次标签，ComBat更直接；如果你怀疑还有没记录到的干扰因素，试试SVA。很多时候我把两者结合起来——先用ComBat去除已知批次，再对残差做SVA，找隐藏的批次效应。不过这种做法需要谨慎，避免过度校正。
一个小技巧：SVA的替代变量可以直接拿去画热图，看看哪些基因在代理变量上载荷高。往往这些基因跟实验条件无关，却能提示你那些隐藏干扰到底是什么——比如某些管家基因的表达波动。
4.5 核心流程图
下面是SVA从输入到输出的完整逻辑。我个人每次做新项目都会对着这张图检查每一步是否严格正确。
4.6 什么时候该用SVA？
说实话，不是所有批次问题都适合SVA。我总结了三类场景：
- 批次来源完全未知——比如多个公共数据库合并的数据，没有批次标签。SVA是首选。
- 已知批次但批次内部还有亚结构——比如同一天上机但分了两台机器，SVA能自动捕获。
- 下游分析要用线性模型——SVA的代理变量可以直接放进模型里做协变量，不需要改原始数据。
但是，如果你的目标是做数据可视化（比如热图、PCA图），SVA不会帮你把批次聚在一起。因为它不修改表达量，批次效应仍然存在。这时候ComBat更合适。
4.7 实践中的注意事项
注意事项：
- SVA假定生物学变异已经被已知协变量捕获。如果你的分组变量定义错了，SVA会把信号当噪声剔除。
- 置换检验次数别太少，我一般设1000次以上。少了会导致假阳性。
- SVA对缺失值敏感。进入算法前最好先做好缺失值填充或基因过滤。
我记得有一次处理一个癌症数据集，分了三组：正常、早期、晚期。SVA跑完发现选出了两个代理变量，我拿出来一看，其中一个竟然跟样本的RNA提取日期高度相关。当时院长问我这是不是批次效应，我说是。后来一查记录，果然那天的试剂盒是新批号。SVA连这种没记录的批次都能逮出来，确实有两把刷子。