批次效应，你躲不开的“实验指纹”

大家好。今天咱们聊聊批次效应。说实话，这是单细胞数据分析里最容易让人“翻车”的坑。我入行头两年，有次整合三个批次的10x数据，结果画出来的UMAP图，每个批次各成一个“山头”，完全看不到生物学差异。主管一看图，就问我：“你确定这些是同一批样本？”那场面，记忆犹新。

什么是批次效应？说白了，就是非生物学因素带来的系统性偏差。你想想看，同样一批细胞，今天做和处理完明天做，结果能完全一样吗？实验室湿度、试剂批号、操作手法，甚至当天的精神状态，都会影响数据。这就是我们常说的“实验指纹”。

为了方便理解，我画了张图。它展示了批次效应的来龙去脉。

批次效应的来源：藏在实验流程里的“暗流”

我总结过，批次效应的来源基本可以归为这几类。你可以拿着自己的实验记录表，对照着看看。

• 样本处理流程不同：比如解离时间长短不一样，细胞活率就不一样。Drop-seq的实验，磁珠批次和微流控芯片的批次，对细胞捕获效率影响很大。
• 试剂批次变更：我发现，GEM生成用的油相、逆转录酶甚至PBS的批次，都能引入系统差异。别小看这些“消耗品”。
• 仪器状态与设置：10x的Chromium仪器，不同通道之间的液滴生成效率不完全一致。测序仪的流动槽位置也会产生偏差。
• 操作人员与时间：不同人加样手法不一样。同一个人上午和下午做的实验，管子里气泡的比例都能差不少。

表现形式：你该怎么“看”到它

批次效应在分析结果里长什么样？我教你几个“看”法。

最常见的，就是在t-SNE或UMAP降维图上，样本不是按细胞类型聚类，而是按实验批次聚类。你本来期望看到的是上皮细胞、T细胞、B细胞各成一团，结果变成了“批次1团”、“批次2团”、“批次3团”。嗯，这就很明显了。

另外，PCA分析时，PC1或PC2的loading里，如果高权重的基因全是线粒体基因或核糖体基因，而不是细胞类型marker基因，那也说明批次效应在“作妖”。我记得有一次，我拿到一个公共数据，一跑QC就发现PC1全是“MALAT1”和“XIST”，这明显是技术上处理不一致造成的。

再专业一点，可以看细胞间的相关矩阵。如果同批次内的样本相关系数很高，而不同批次间的很低，那就要小心了。我建议遇到这种情况，先做做“岭回归”检查一下。

对下游分析的影响：蝴蝶效应

分析步骤	批次效应带来的后果
聚类分析	产生假聚类群，混入真实细胞亚群
差异表达	检测到大量假阳性基因（实质是批次相关）
细胞类型注释	注释结果因批次不同而错乱
轨迹推断	分化轨迹被批次效应扭曲
跨样本整合	根本整合不到一起，强行整合会丢失生物学信号

我在项目中被坑过最深的一次，是做药物处理前后对比。处理好后的样本和对照的样本来自不同批次。结果差异基因列表里，前20个有15个是批次标记基因。我花了两周时间做验证实验，才发现选错了靶点。所以，批次效应不只是数据问题，它能让你浪费实验经费和时间。

经典案例：那些“看起来”很像的样本

我讲两个亲身经历的案例，希望能帮你建立直觉。

案例一：不同实验日期

2019年有个公开数据集，是CITE-seq做的，包含健康的PBMC。数据质量很好，但问题是前后分两次测序，间隔了八个月。我拿过来一整合，好家伙，同一个人的CD4+ T细胞，在UMAP上分成了两个截然不同的群。后来发现，两次实验用的抗体批号不同，导致某些表面蛋白的检测效率发生偏移。

# R代码示例：快速检查批次效应（用Seurat）
library(Seurat)
merge_obj <- merge(sample1, sample2)
merge_obj <- NormalizeData(merge_obj) %>% FindVariableFeatures() %>% ScaleData() %>% RunPCA()
DimPlot(merge_obj, group.by = "orig.ident")
# 看图，如果两个批次完全分离，说明批次效应很强

案例二：不同试剂批次

我有个朋友做Drop-seq的实验，他之前一直用A公司的微流控芯片，后来换成B公司的。同样是相同的细胞，在基因表达谱上出现了系统性差异，特别是细胞捕获效率和基因检出数。这类情况下，普通标准化方法根本校正不过来。我给他的建议是，要么换回同一批号芯片，要么在分析时必须使用Harmony或CCA这类专门处理批次的工具。