批次效应评估方法概览：常用指标与选择
说实话，刚开始接触单细胞数据分析那会儿，我最头疼的就是批次效应。明明同一个样本，不同批次跑出来的结果，聚类图上看就是两个“山头上各立一个寨子”。那时候我试过各种方法去评估——到底批次效应有多大？校正得好不好？这问题没个标准答案，确实让人抓狂。后来项目做多了，慢慢摸出些门道。这章我就把自己常用的评估方法和选择思路，跟你聊聊。
定性评估：先看“长”得对不对
我习惯先做可视化，看一眼数据大致什么情况。这步不费时间，但很管用。主要有两种方式：
- PCA 散点图：说白了就是降维到二维，把细胞标上批次颜色。如果不同批次的细胞混在一起，那说明批次效应不大。要是各成一团，得，校正还没到位。
- t-SNE / UMAP 着色：这个方法能看到更精细的聚类结构。我在一个项目里遇到过这种情况——PCA 看着还凑合，t-SNE 一画，某个批次的细胞硬生生被挤到边上去了。所以两者都看看，保险。
小经验：可视化适合快速排查，但别只靠“肉眼”定结论。有时候视觉上混得很好，但统计指标一算，差异还挺大。所以最好定性定量结合。
定量指标：把“感觉”变成“数字”
定性看完了，下一步就是定量。我把它分成三类：
1. 全局指标：看整体混不混
- ASW（轮廓系数）：衡量同一类型细胞在不同批次间的分离程度。值越大，说明批次效应越轻。我在一次融合数据集评估中用这个，发现某个细胞类型的 ASW 特别低——果然，那个类型在某个批次里几乎没测到。
- PCR（主成分回归）：用批次变量去回归主成分。如果回归的 R² 很高，说明批次对数据影响大。这方法比较粗暴，但能快速给你一个直觉。
2. 局部分布指标：盯紧细胞邻居
- iLISI（局部逆辛普森指数）：看每个细胞周围，不同批次的细胞够不够均匀。用于评估混合程度。这是 LISI 体系下的一个核心指标，后面会详细讲。
- cLISI（局部细胞类型指数）：看每个细胞周围，同一类型细胞的纯度够不够。如果校正得太狠，不同细胞类型会糊在一起，这个指标就会变差。嗯，这里要注意：好的校正不是无脑混合，而是保持生物学结构。
3. 生物学保守指标：别伤了“真东西”
- ARI（调整兰德指数）：对比校正前后的细胞聚类和已知的生物学标签，看一致性如何。我建议校正后 ARI 下降不超过 5%，否则可能是矫枉过正。
- NMI（归一化互信息）：和 ARI 类似，但更关注全局的结构一致性。
核心思路：好的批次校正，是在“把批次混匀”和“保留生物学差异”之间找平衡。只看混合率，可能把真正的信号也给抹掉了。
怎么选？我自己的标准
不同场景下，侧重点不一样。给你一张我平时参考的表：
| 任务场景 | 首选指标 | 辅助指标 | 关键关注点 |
|---|---|---|---|
| 快速初筛（看看校正效果） | iLISI | PCA 图 | 混合程度是否明显提升 |
| 精细化评估（调参） | iLISI + cLISI | ASW | 两者平衡，避免 cLISI 掉太低 |
| 生物学验证（确认结果可用） | ARI | NMI | 保持生物学标签的一致性 |
| 全流程报告（写论文） | iLISI + ARI | PCA 图 + t-SNE | 结合定量指标和可视化 |
我会在拿到一个新数据集时，先跑一下 iLISI 和 PCA。如果 iLISI 值低于 0.3，那批次效应很可能需要重点处理。如果高于 0.7，校正效果基本能接受。当然，最终还是得看下游分析能不能重复出已知的生物学发现。
注意事项：别迷信单个指标。我曾经就犯过这个错——只盯着 iLISI 优化，结果校正后的数据里，两个已知的稀有种群被抹掉了。从那以后，我至少会同时看 iLISI 和 cLISI，外加已知的标记基因表达。
为什么推荐 iLISI 作为首选？因为它直接回答了“细胞周围有多少不同批次的邻居”，这正好是批次效应评估的核心问题。而且它计算高效，适合在调参时反复跑。cLISI 作为补充，能帮你避免过度校正——要是某个细胞类型周围全是同类型细胞，但它来自不同批次，这其实挺好；如果混进了其他类型，那就说明问题了。
我的习惯：在项目里，我会先跑一次全流程的评估，包括 iLISI、cLISI、PCA 图和 ARI。然后聚焦在 iLISI 和 cLISI 上做参数调试。调好后，再用 ARI 和可视化做最终确认。这样效率比较高。