1. 批次效应概述：单细胞数据中的批次效应及其影响
1.1 什么是批次效应？
做单细胞测序的都知道，同一批样本分两次跑，出来的数据总是有点不一样。说白了，批次效应就是非生物学因素带来的系统偏差。我最早接触这个概念是在一次跨中心合作项目里，两套数据明明来自同样的细胞类型，聚类结果却干脆不重叠——当时我还以为是生物学差异，折腾了两周才发现是批次效应在搞鬼。
为什么会这样？因为实验操作、试剂批号、测序仪器、操作人员的微小差异，都会在转录组数据里留下“指纹”。这种非随机的、批次特异的变化，就是批次效应。它不属于生物学变异，却会干扰我们对真实信号的判断。
核心定义： 批次效应是由技术因素引起的系统性偏差，与生物学条件无关，但会掩盖或扭曲真实的生物学差异。
1.2 批次效应的常见来源
我自己归纳了一下，下面这几种情况最容易引入批次效应：
- 实验操作时间差异 – 同一样本今天处理 vs 下周处理，细胞活率、消化效率可能不同。
- 试剂批次变化 – 同样的试剂盒，不同Lot号间有细微活性差异。
- 测序平台不同 – 10x Genomics v2 vs v3，甚至同一平台不同芯片，read结构都不完全一样。
- 操作人员变更 – 我记得有一次，实习生和资深实验员分选出来的细胞，UMI分布明显不同。
- 环境条件波动 – 实验室温度、湿度变化会影响微流控芯片的捕获效率。
| 来源类别 | 典型表现 | 影响剧烈程度 |
|---|---|---|
| 测序平台 | 基因检测、UMI计数系统性偏差 | 高 |
| 试剂批号 | 反转录效率、扩增偏好性改变 | 中-高 |
| 操作人员 | 细胞捕获数、doublet率的差异 | 中 |
| 时间跨度 | 批次间细胞群体比例漂移 | 低-中 |
1.3 批次效应对下游分析的影响
如果你不处理批次效应，下游分析基本就“翻车”了。我见过最夸张的一次：合并三个批次的PBMC数据，UMAP图上所有细胞按批次分成了三坨，根本看不出细胞类型。那感觉就像你明明知道有T细胞、B细胞、NK细胞，结果图显示的是“batch1细胞、batch2细胞、batch3细胞”。
具体影响包括：
- 聚类失真： 同一细胞类型因批次差异被分到不同簇，或原本不同的细胞类型因批次相似被合并。
- 差异表达假阳性： 技术噪声被误判为生物标志物。你想想看，如果批次和实验分组完全重合，那差异分析大概率会捡到一堆技术人工品。
- 细胞注释偏差： 不同批次的参照图谱无法直接对齐，手动注释时标准会漂移。
- 轨迹推断偏移： 拟时序分析会把批次间差异当成发育阶段差异，得出毫无意义的伪时间。
我曾经踩过的坑： 有一回我自信满满地把两个批次的肿瘤样本直接合并跑差异，结果富集到的通路全是“核糖体合成”、“线粒体相关”——明显是批次导致的线粒体基因污染。白花了两周验证，最后发现是批次效应在装神弄鬼。
1.4 一个典型案例
假设你有两个批次的健康人外周血单核细胞数据：批次A用10x v2在1月份测，批次B用10x v3在6月份测。因为v3的捕获效率更高，UMI计数整体偏高，而且基因检测能力更强。直接合并后，你可能会发现“自然杀伤细胞”在批次B里表达CD16更高，就以为有功能差异——实际上只是扩增偏差。这种案例在公共数据库中比比皆是。
1.5 核心概念图
下图梳理了批次效应的来源、表现以及对下游分析的影响路径：
一个实用的小建议： 在开始正式分析前，先用PCA或UMAP按批次着色看一下。如果各批次明显分离，那就老老实实做批次校正吧。我个人的习惯是：先可视化，再决定要不要校正。
好，到这里你应该对批次效应有了基本认识。它不是什么洪水猛兽，但装看不见就会出大问题。接下来我们会深入LISI这个指标——一个专门用来量化批次效应大小的指标。