批次效应对下游分析的影响

说实话，很多时候我们做NGS分析，拿到数据就急着跑差异表达、做聚类、画热图，结果出来还挺漂亮。但如果你忽略了批次效应，那这些结果可能就是个美丽的错误。我见过太多这样的案例了——明明两组样本之间有显著差异，结果发现只是不同批次造成的批次假象。这一节我们就来仔细聊聊，批次效应到底会怎么搅浑下游分析这锅汤。

差异表达分析：假阳性与假阴性的重灾区

差异表达分析，说白了就是找两组样本之间表达有显著差异的基因。但如果样本的分组和批次混在一起，比如处理组都在第一批测，对照组都在第二批测，那差异表达分析就会分不清谁是真正的生物学差异，谁是批次差异。

假阳性：批次的系统偏差会被当成组间差异。举个例子，第一批处理组的技术噪声普遍比第二批对照组高一点，那么可能有成千上万个基因在统计学上“显著”，实际上全是假的。我当年在分析一个肿瘤项目时就吃过这个亏——差异基因列表里有3000多个，结果用qPCR验证，只有不到10%能重复。

假阴性：如果批次效应本身方差很大，真实存在的生物学差异反而可能被淹没。你想想看，一个基因真正的差异只有1.5倍，但批次间的波动有2倍，那统计检验肯定不显著。这些被漏掉的真实信号才是最要命的。

聚类与降维：分群结果完全跑偏

降维和聚类是单细胞分析的看家本领，也是最容易被批次效应带偏的步骤。Umap、t-SNE这些算法不会帮你区分技术噪声和生物学变异，它们只看距离。批次效应会让同一批次的细胞在低维空间里自动抱团，形成假群。

我在一个外周血样本的demo数据里就见过：三个批次，每个批次里都包含了同样的细胞类型，结果Umap图上清清楚楚地分成三大坨，而不是按细胞类型分开。你要是只看Umap图就下结论说“这群是T细胞，那群是NK细胞”，那跟闭着眼睛猜没区别。

更麻烦的是，批次效应还可能把真实完整的细胞类群撕成碎片——同一类细胞因为跨了不同批次，被拉出好几个亚群。反过来，也会把两个不同类群因为批次一致而粘在一起。

功能富集分析：从源头就偏了

差异表达基因列表都假了，那基于它做的GO/KEGG富集分析当然也是空中楼阁。批次效应导致的假阳性基因在功能上通常没有生物学意义，但富集工具可不管那些——只要有基因富集到某个通路，它就会有信号。

举个例子，你因为批次效应得到了2000个差异基因，随便往富集工具里一丢，它会告诉你很多通路都显著富集。但这个通路列表可能全是技术噪声驱动的。我曾经在项目里发现，富集出的top通路竟然都是“核糖体合成”、“线粒体翻译”这类基础代谢通路。后来一查，居然是批次间rRNA去除效率不同导致的——根本不是生物学差异。

批次效应与生物学变异混淆：最隐蔽的坑

有些情况下，批次效应会部分掩盖真实的生物学信号，同时引入虚假信号。这时候，常规的批次校正方法也可能失效，因为你没法分辨哪些变异是技术性的，哪些是生物性的。尤其在时间跨度很长的队列研究中（比如一个多中心临床试验），样本的分组往往和批次高度相关，根本拆不开。

下面这张图概括了批次效应影响下游分析的主要路径：

实际案例：一个被批次效应坑过的项目

我接手过一个外单位的转录组项目，已经做了差异表达和富集分析，准备投文章了。原始数据是三个中心的样本，中心A、B和病例组重合，中心C和对照组重合。分析报告里差异基因有4000多个，富集出的通路也看似完美。但我个人习惯先画个PCA看看：PC1清晰地分离了两个批次——中心A+B vs 中心C，而病例与对照组在PC1上几乎没有间隔。

说白了，这就是一个经典的设计混杂：病例和治疗完全跟批次绑定。这种情况下无论用什么统计方法都拆不开。后来只能重新设计实验，重新收样本，前后多花了半年。从那以后，我拿到项目的第一件事就是检查分组-批次混淆表。

如何快速评估影响程度

在你做任何下游分析之前，我建议先用下面几个方法快速评估批次效应有多严重：

1. 看PCA图：按批次染色，如果前几个主成分能把批次明显分开，说明效应很大。
2. 计算批次间的变异占比：可以用R包 pcaMethods 或者 batchqc 估算批次方差占总方差的比例。
3. 检查分组-批次混淆：做一个列联表，看看是否每个分组都均衡地分布在所有批次中。
4. 做一批“假”差异分析：把不同批次的同组样本拿出来比较，如果差异基因数量异常多，那就说明批次效应在捣乱。

下面这个表格总结了批次效应在不同下游分析中的典型表现和应对策略：