批次效应概述
各位同学，今天我们开始《Seurat与Scanpy批次校正方法对比分析》的第一章。我做了多年单细胞数据分析，实话讲，最让我头疼的就是批次效应。你辛辛苦苦跑完上游，对着UMAP图一看，心里凉半截——咦？样品各自抱团，完全按实验批次分开，真实的生物学差异全被淹没了。嗯，今天咱们就来拆解一下：批次效应究竟是个啥？它怎么来的？长什么样？
一句话总结：批次效应是不同实验批次引入的、非生物学来源的系统性数据偏移，它会严重干扰聚类、差异分析和细胞类型鉴定。说白了就是“数据说谎器”。
什么是批次效应？
定义上很简单：来自同一个生物学样本（或同一组条件）的细胞，因为制备、测序、保存等步骤不在同一批次，导致测序数据产生结构性的差异，而这个差异跟生物学本身无关。
我个人的理解更直白：假如把实验条件看作“控制变量”，批次就是个你不想要却又甩不掉的“隐藏变量”。它让同一类细胞在不同批次里表现不同，甚至让不同类细胞在相同批次里看起来相似。你想想看，这多要命。
小提示：批次效应并不是单细胞数据的专利，bulk RNA-seq、蛋白组甚至图像数据都会碰到。单细胞数据因为稀疏性高、测序深度不均，批次效应往往更隐蔽、更顽固。
产生原因
原因可以列一长串，我归纳成三大类。为什么分三类？因为我当年第一个单细胞项目，三种原因撞了个遍，记忆犹新。
- 实验操作差异：不同时间点做实验，细胞分离、建库、PCR扩增……哪怕同一个人也不能保证手劲一样。试剂批次变化就更常见了，一瓶旧试剂和一瓶新试剂，酶活性可能差个20%。
- 测序平台/策略：同一个样本今天用Illumina NextSeq，明天换成NovaSeq，read length、bias模式都不一样。或者有人用3′端建库，有人用5′端，这差异比你想的大得多。
- 环境与人为因素：实验室温度、湿度、操作时间长短……我记得有一次，夏天空调坏了，QC结果直接飙起来。还有，如果你用冻存样本和新鲜样本，批次效应几乎无可避免。
我曾经在一篇文章的review里被审稿人质疑：“你的donor间差异怎么比细胞类型差异还大？” 那就是典型的批次效应泄漏到生物学解释里。没办法，后来只能用Harmony重新跑一遍，才把结论圆回来。
注意：并不是所有不同批次的数据都需要校正。如果批次分组与生物学分组完全confounded（比如病例组在批次1，对照组在批次2），批次校正反而会消除真实信号。这种情况，我建议你重新设计实验，或者至少用混合模型保留生物学变异。
典型表现
怎么一眼看出你的数据有批次效应？几个常见画像：
- PCA/UMAP 按批次分开：降维图上，每个批次一个“云团”，而非按细胞类型混合。这是最直观的表现。
- 聚类结果与批次强相关：你把聚类结果标上批次，几乎每个cluster里只有同一批次的细胞。聚类实际上是在聚批次。
- 差异表达基因多为批次相关基因：比如线粒体基因、核糖体基因比例异常，或者某些低表达基因在批次间出现/消失。
- 批次间基因表达分布偏移：比如某个管家基因，在批次1平均表达2.0 logCPM，批次2却变成2.5，这不对劲。
下面是三种典型场景的对比表格，你看一眼就明白：
| 表现类型 | 无批次效应（理想） | 轻度批次效应 | 严重批次效应 |
|---|---|---|---|
| PCA主成分分布 | 各批次细胞均匀混合 | 有轻微分离趋势 | 批次间完全分离，无明显重叠 |
| UMAP/tsne结构 | 细胞类型紧致簇，各批次点缀其中 | 簇内按批次形成亚簇 | 同一类型细胞分成多个块，每块对应一个批次 |
| 差异基因分析结果 | 主要富集在细胞特异性通路 | 出现若干批次标记基因（如线粒体、核糖体） | 差异基因列表被批次信号淹没 |
个人经验：判断批次效应最简单的方法，是在PCA上按批次上色。如果看到“批次大饼”而不是“细胞类型糖葫芦”，基本可以断定需要校正。别问我怎么知道的，我第一次画PCA时，两个批次就是两个独立的球，完全没重叠，当时以为发现了新细胞类型……（捂脸）
本章知识结构
下面的SVG图帮你梳理了批次效应的核心逻辑：来源、原因、表现、影响以及后续的解决方向。你可以先看一眼，再回看前面的内容，会更清晰。