课程导论：单细胞RNA-seq技术简介、批次效应的来源与影响、批次校正方法的分类与选型

各位同学好，我是老张。做了六七年单细胞数据分析，踩坑无数。今天开始讲批次校正，这是实战中最头疼、也最绕不开的一关。你想想看，同一套实验，分两批上机，结果跑出来UMAP图居然分成了两坨——这到底是谁的锅？

这节课我们先打好地基。搞明白单细胞RNA-seq的基本流程，批次效应从哪来，以及市面上那么多校正方法该怎么选。

1.1 单细胞RNA-seq技术：一张细胞“食谱”

单细胞RNA测序，说白了就是把每一个细胞里的基因表达量都测出来。传统bulk RNA-seq测的是组织平均值，就像你炒了一锅菜，然后说“嗯，这锅菜有辣味”，但你分不清是哪根辣椒贡献的辣。单细胞就不一样了，它能把每根辣椒的辣度都列出来。

我习惯把单细胞数据看成一张巨大的表格：

行是细胞，列是基因。数值代表该基因在这个细胞中检测到的UMI（Unique Molecular Identifier）计数。数字越大，表示该基因越活跃。

常见的平台有10x Genomics、Smart-seq2、Drop-seq等。10x是目前最主流的，一次能跑几千到几万个细胞。我遇到过不少新人，拿了10x的原始数据就急着跑Scanpy，结果连filter_genes和filter_cells都没做——嗯，那次我帮改代码改到凌晨两点。

单细胞分析的标准流程大概是：

1. 质控过滤（基因、细胞、线粒体比例）
2. 标准化与对数化
3. 高变基因选择
4. 降维（PCA）
5. 聚类与可视化（UMAP/t-SNE）
6. 批次校正——这是今天的重头戏
7. 差异表达分析与注释

你看，批次校正嵌在降维和聚类之间。它直接影响你能不能看到真实的细胞亚群。

1.2 批次效应：它的“身世”与危害

什么叫批次效应？简单说：不同批次实验带来的系统性偏差，掩盖了真实的生物学差异。

“批次”可以从哪些地方来？

• 不同日期制备的文库
• 不同操作员的手艺差异
• 不同试剂盒、不同chip、不同测序lane
• 甚至同一个人上午做和下午做，环境温度变了，结果都可能不一样

我曾经接过一个项目，同一个研究所有两个实验员，一人做了一批鼠脑样本。合并后一看，UMAP图上细胞分成左右两团，正好对应两个实验员——可这两批样本明明来自同品系、同周龄的小鼠啊！这就是典型的批次效应，而且强度大到完全掩盖了生物学差异。

怎么识别批次效应？

• 绘制UMAP/t-SNE图，用批次编号着色：如果相同批次的细胞聚在一起，不同批次明显分开，八成有批次效应。
• PCA散点图上，前几个主成分能被批次变量解释。
• 或者用简单的相关性检验——不同批次间同一细胞类型的表达谱相关性应该很高，如果很低，有问题。

但我也要提醒两点：第一，轻微批次效应有时不影响下游注释；第二，某些情况下批次效应和真实生物学效应可能混杂在一起（比如批次对应不同的疾病组），这时候校正要格外小心，不能把生物学差异一起抹掉。

1.3 批次校正“武器库”：分类与选型

市面上校正方法几十种，我按自己的经验把它们分成三类。你可以照着这个表快速选型：

选型的关键是搞清楚你的数据规模、批次数量、以及你更关注“保留原始表达值”还是“只对齐低维空间”。

另外，校正之后一定要做质量评估。我的习惯是：

1. 看UMAP是否按批次混杂（理想状态是各个批次均匀分布在每个细胞群中）
2. 计算批次间的批次熵（batch entropy）
3. 计算生物学差异保留度（如ARI）

只图好看不行，还得保真。

下面这张图总结了批次校正的核心流程和三种方法的关系：

好了，这章就是打底。后面两章我们分别手把手教你跑BBKNN和scVI。学完这章，你应该能回答：单细胞数据长什么样、批次效应是什么、什么时候该校正、三大类方法各自适合什么场景。如果你现在脑子里能浮现出那张流程图，那就对了。