📚 课程目录第2章 NGS数据的批次效应来源

2. NGS数据的批次效应来源归纳总结

这一章我们来聊聊批次效应的来源。说白了，就是要搞清楚哪些环节容易出问题。我在项目中见过不少案例，问题五花八门，但归根结底都可以追溯到几个主要来源。

你想想看，NGS实验流程那么长，从样本处理到数据分析，每一个步骤都有可能引入批次效应。我个人习惯把来源归纳为五类：样本来源、文库制备、测序上机、生信分析，还有一个是实验室环境。下面我们逐个拆解。

    核心观点：批次效应的根源在于“不一致”。只要是不同时间、不同操作者、不同试剂、不同设备做的实验，都可能引入系统性的差异。理解来源，是识别和处理批次效应的第一步。

2.1 样本采集与处理

样本这块，是我最早踩坑的地方。很多新手容易忽略样本采集和保存条件的影响。

采集时间差异：同一批样本，上午采和下午采，RNA降解程度可能不同。
保存条件：冻存时间长短、反复冻融次数，都会改变核酸质量。
组织与血液：不同组织类型，细胞组成差异大，批次效应会更明显。

避坑指南：我曾经在分析肿瘤外显子数据时，发现两组样本的GC含量差异很大。查来查去才发现，一组是石蜡包埋样本，另一组是新鲜组织。这个差异直接影响了后续的突变检出率。所以样本采集和处理的一致性是第一道防线。

2.2 文库制备

文库制备是批次效应的重灾区。操作步骤多，变量也多。我个人觉得，这是最需要标准化的环节。

来源	具体表现	影响程度
接头序列批次	不同批次接头，连接效率不同	高
PCR循环数	循环数不同，扩增偏好性不同	中
建库试剂盒版本	不同版本试剂，文库复杂度不同	高
操作者	不同人的操作习惯，误差差异大	中

举个例子，建库试剂盒版本的变化。我在项目里遇到过，同一批样本用了V2和V3两版试剂盒，结果在差异表达分析时，出现了明显的分组聚类。后来用sva包的ComBat函数校正才解决。

还有一个容易被忽略的点：接头的批次。不同批次接头，即使序列一样，连接效率也可能不同。我建议在实验设计时，尽量用同一批次接头，或者至少在分析时记录下接头批次信息。

检查接头序列时，可以用这个命令：

cutadapt -j 4 --discard-untrimmed \
    -a AGATCGGAAGAGCACACGTCTGAACTCCAGTCA \
    -A AGATCGGAAGAGCGTCGTGTAGGGAAAGAGTGT \
    -o trimmed_R1.fastq.gz \
    -p trimmed_R2.fastq.gz \
    raw_R1.fastq.gz raw_R2.fastq.gz

2.3 测序上机

上机环节，即测序过程本身，同样是批次效应的来源。

Flowcell位置效应：同一张Flowcell的不同Lane，测序质量可能有差异。
测序仪器差异：不同型号的测序仪，碱基质量打分系统不同。
试剂批号：测序试剂的批次，直接影响簇生成和碱基检出。

避坑指南：我记得有一次，同一批文库分别在两台HiSeq上跑，一台是2500，一台是4000。结果在分析CNV时，反复出现假阳性。后来发现，两台仪器的信号处理算法不同，导致测序深度分布不一致。所以，能在一台机器上跑完的样本，尽量不要分到多台。

2.4 生信分析

数据产生后，生信分析流程中的不一致，也会引入“计算批次效应”。

参考基因组版本：不同版本，基因功能注释可能不同。
比对软件及参数：BWA和Bowtie2的比对结果会有差异。
定量工具：HTSeq、featureCounts、Salmon，结果不完全一致。

举个例子，参考基因组版本。我有个朋友，用了GRCh37和GRCh38两个版本分别处理数据，结果在基因融合检测时，一个版本检出了融合，另一个版本没检出。后来发现是37版本的注释文件有错误。

比对软件的选择也很关键。我个人习惯统一用BWA MEM，参数固定：

bwa mem -t 8 -M -R '@RG\tID:group1\tSM:sample1\tPL:illumina' \
    hg38.fa \
    sample1_R1.fastq.gz sample1_R2.fastq.gz \
    > sample1.sam

你想想看，如果不同批次的样本用了不同的比对参数，那后续的变异检测结果还能可靠吗？所以，生信分析流程必须固定版本、固定参数。

2.5 其他因素

还有一些因素，虽然不是直接的技术环节，但同样重要。

因素	说明
实验室温度/湿度	影响酶活性、芯片杂交效率
试剂储存条件	反复冻融，降低试剂活性
数据处理工作站	不同工作站，计算精度可能不同

避坑指南：我曾经遇到一个案例，同一个实验室，冬天和夏天做的RNA-seq，数据质量差很多。后来发现，冬天的湿度低，样本更容易降解。嗯，这里要注意，环境因素虽然微小的，但累积起来也会产生影响。

个人经验：我习惯在项目开始前，就列一个“批次效应来源清单”。每做一个实验步骤，就对应检查清单上的潜在来源。这样做的好处是，后续分析时一旦发现问题，可以快速定位到某个环节。

注意：不要以为生信分析是“纯计算的”，就不会有批次效应。实际上，软件版本、参数设置、计算平台，都可能引入系统性偏倚。所以，在整个分析流程中，保持版本一致是最基本的要求。

总结一下，批次效应的来源很广，从样本到数据分析，每一个环节都不容忽视。理解这些来源，能帮助你在实验设计阶段就提前规避问题，或者在分析时，有针对性地进行校正。