1. 批次效应概述
大家好，我是你们这门课的主讲。咱们开门见山——批次效应（Batch Effect）是单细胞数据分析里最让人头疼的问题之一。说白了，它就是数据里混入的“系统误差”，跟生物学差异无关，纯粹是实验操作带来的噪音。
我刚开始接触单细胞数据时，就被它坑过一次。那时候拿到两个不同时间测的样本，聚类一看，哇，分得清清楚楚。当时还挺高兴，觉得找到了新细胞类群。后来一查记录，好家伙，原来是不同批次的试剂盒造成的差异。你想想看，要是直接拿这种数据去分析，结论能有几分可信？
批次效应产生的原因
为什么会这样？原因其实很“接地气”，大多来自实验室的日常操作细节。我把它分成几类：
- 实验操作差异：不同人做细胞分离、建库，手法总有区别。就算同一个人，今天和明天的手感也可能不同。
- 试剂批次不同：这是最常见的“元凶”。不同批号的试剂盒、抗体、酶，活性有细微差别。我在项目中遇到过，仅仅换了一批反转录酶，UMI 计数就整体偏高了 20%。
- 仪器与耗材：不同测序仪、芯片批次、甚至是离心机的转速校准，都会引入偏差。千万别小看这些硬件因素。
- 时间跨度：样本采集时间相隔几周甚至几个月，实验室环境（温度、湿度）也在变，数据自然会“长成”不同的样子。
- 文库复杂度差异：不同的上机方案、PCR 循环数，直接导致每个细胞测到的基因数和 UMI 数明显不同。
批次效应的表现形式
它长什么样？最容易察觉的是数据可视化上的“假象”。最常见的三种表现：
- t-SNE/UMAP上的“假分组”：不同批次的细胞，在降维图上各自抱团，形成明显分离的簇。但这些簇其实不该分开。
- 基因表达量系统性偏移：同一个细胞类型，在批次 A 里某个基因表达很高，在批次 B 里却很低。这不是生物学原因，纯粹是批次效应。
- 聚类结果的“假性发现”：你可能发现两个看起来全新的细胞亚群，结果一查，它们分别来自两个不同的批次。这就尴尬了。
| 效应类型 | 典型表现 | 如何判断 |
|---|---|---|
| 位置偏移 | 不同批次在高维空间中完全分离 | UMAP/t-SNE颜色按批次分布 |
| 尺度偏移 | 整体表达值成比例变化 | 箱线图中位数明显不同 |
| 随机噪音 | 低表达基因的波动增大 | 高变基因列表中混乱 |
如何用代码“嗅”出批次效应？
光靠眼睛看不够靠谱。我习惯在预处理阶段就用代码定量检查。给你一个最简单的检查方法——用 R 的 Seurat 包画一张箱线图：
# 假设你已经有了 Seurat 对象
# 按批次查看 UMI 计数分布
p1 <- VlnPlot(seurat_obj, features = "nCount_RNA",
group.by = "batch") + NoLegend()
# 查看基因数分布
p2 <- VlnPlot(seurat_obj, features = "nFeature_RNA",
group.by = "batch") + NoLegend()
print(p1 / p2)
运行一下这个片段。如果不同批次的中位数有明显差距（比如差了 30% 以上），那批次效应就很明显了。嗯，这里要注意：箱线图看出大问题，不代表没有小问题。更严谨的做法是后续用主成分分析（PCA）看批次是否有明显分区。
对下游分析的影响
如果忽视批次效应直接往下走，后果挺严重的。我给你列几个：
- 差异表达分析彻底跑偏：你找到的差异基因，可能大部分是批次间的技术噪音，而非真实的生物学信号。
- 细胞注释张冠李戴：不同批次的相同细胞类型，因为表达值不同，被错误标注成不同亚群。
- 伪时间分析崩塌：分化轨迹被批次效应打乱，你会看到多条从不同起点开始的“假轨迹”。
- 整合数据集失败：跨研究、跨平台的数据强行合并，结果就像把橘子和苹果混在一起，谁也分不清谁。
批次效应的知识体系
下面这张 SVG 图，把这些关系串起来了。从产生原因开始，到表现形式，再到对下游分析的影响，逻辑是单向递进的。
校正的核心逻辑
我们这门课要讲的是 CCA（典型相关分析）和 MNN（互近邻）两种主流方法。它们的核心逻辑很相似：找到批次之间“共享”的生物学信息，然后用它来对齐数据。你可以想象成用一座“桥”把两个批次连接起来，这座桥就是那些在两种条件下都保持稳定的细胞对或基因关系。
最后提醒一句：批次校正不是万能药。如果两个批次的细胞组成差异过大（比如一个全是 T 细胞，另一个全是 B 细胞），再好的算法也救不回来。究其根本，实验设计阶段就该尽量保持批次间的一致性。