第2章 批次校正的重要性：校正与否对下游分析的影响
做单细胞分析这几年，我见过太多人把数据往Seurat或Scanpy里一扔，直接跑分群、找marker，结果画出来的UMAP图漂亮得不行——但仔细一看，咦？对照组和实验组各自抱团，根本就是两个「批次」在打架。这就是典型的批次效应没处理。
说白了，批次校正不是可选项，而是必修课。今天这篇我就掏心窝子跟你聊聊：为什么必须做？不做会怎样？
2.1 批次效应从哪来？
先别急着敲代码。你得先明白批次效应是怎么溜进来的。
我自己的项目经历里，常见的元凶有这么几个：
- 样本处理时间不同：上午做的和下午做的，细胞活性可能就不一样
- 不同操作人员：手速、离心力、消化时间，每个人习惯不同
- 试剂批次差异：甚至同一厂家不同批号的试剂，RNA回收率都有差别
- 测序平台或芯片：10x Genomics v2 vs v3，或者不同测序lane
- 冻存 vs 新鲜样本：冻存过的细胞往往应激基因高表达
这些因素叠加在一起，产生的系统偏差就是批次效应。它不是你实验设计的问题——它天生就存在，你必须正视它。
2.2 不校正的后果：虚假差异与真实信号混为一谈
我直接给你看一个典型场景。假设你有两个样本：正常组（Sample A）和疾病组（Sample B），各自做了两次重复。
如果不校正批次，直接合并跑降维，你大概率会看到这样的结果：
- UMAP/t-SNE上按样本分离，而不是按生物学条件分离
- 差异分析找到的「marker基因」其实是批次特异性基因
- 聚类结果里出现「伪细胞类群」——比如「Sample A特异群」
- 后续的细胞类型注释完全跑偏
真实案例：我有个同事，做肿瘤浸润T细胞分析，合并了3个病人样本（每个病人有治疗前后两个时间点）。他没做校正，直接聚类，结果分出「病人1群」「病人2群」「病人3群」——这哪是细胞类型啊？这分明是病人ID效应。后来用了CCA校正，才真正看到CD8+耗竭T细胞在治疗后的扩增趋势。
2.3 校正后的收益：生物学差异浮出水面
批次校正做对了，效果是立竿见影的：
- 不同批次的同类细胞能混在一起——同一细胞类型不按样本分开
- 真正的生物学差异变大——比如疾病vs正常之间差异更明显
- 伪差异基因减少，差异分析的假阳性率大幅下降
- 细胞类型注释更可靠，不会因为批次把同一类群分成两个
但是注意，校正不能过度。如果校正强度太大，会把真实的生物学差异也抹掉。嗯，这个度怎么把握，在后续几章讲具体方法时会重点聊。
2.4 什么时候可以不做校正？
别误会，我不是说所有情况都必须校正。有些场景下不做也行：
- 只有一个样本（没有批次可变性）
- 所有样本在同一次实验、同一批试剂、同一个人操作下完成——理论上批次效应很小
- 你是做整合分析想故意保留样本特异性，比如找个体间差异（但通常还会做轻度校正）
即便如此，我还是建议你至少做一次质量控制层面的检查——画个按样本着色的UMAP，看清况再决定。
2.5 核心知识框架
下面这张图总结了批次校正的核心逻辑：从原始数据到校正后结果，中间每一步都藏着坑。
2.6 校正方法的粗略分类
市面上主流的校正方法五花八门。但你别慌，它们可以粗分为几类。下面这个表格我根据自己踩坑的经验总结的，希望能帮你快速定位该选哪个。
| 方法类别 | 代表算法 | 核心思路 | 适用场景 |
|---|---|---|---|
| 基于锚点整合 | Seurat CCA + MNN | 找跨批次的「锚点对」来对齐 | 异质性大、不同平台的数据 |
| 基于互近邻 | Scanpy MNN | 在高维空间找最近邻配对校正 | 同类型数据、样本间差异中等 |
| 基于回归 | regress_out / ComBat | 线性回归去除批次方差 | 批次信息已知且简单 |
| 基于深度学习 | scVI / Harmony | 变分自编码器或聚类矫正 | 大规模数据、复杂批次结构 |
看到这个表，你可能会问：「这么多方法，我怎么选？」别急，后面几章会逐个拆解，还会对比Seurat和Scanpy在每种方法上的实现差异。
我的经验：刚开始做整合时，我习惯先用Harmony（快速看全局结构），再用Seurat的CCA或Scanpy的scVI做精细校正。不过这只是个人习惯，不同数据集最优方案不同——你得亲自试。
2.7 一个快速检验批次效应的脚本思路
不管选什么方法，第一步永远是「诊断」。我建议你这样检查：
# 伪代码逻辑，实际语法因工具而异
# 1. 合并数据后，不校正直接PCA
# 2. 取前20个PC，计算样本间的欧氏距离
# 3. 如果同一批次内的距离远小于批次间的距离→严重批次效应
# 4. 或者直接画UMAP按批次着色，一眼就能看出问题这个简单的流程，能帮你快速判断该不该上校正。我见过太多人跳过了这一步，结果花了大量时间调参校正一个本来就不存在的批次问题——嗯，这完全没必要。
2.8 总结：校正不是万能的，不校正是万万不能的
最后再强调一遍：批次效应检测是单细胞分析流水线上最容易被忽视的一环，但它的影响是全局性的。如果你不做校正，任何后续的下游分析——差异表达、轨迹推断、细胞通讯——都可能得出错误结论。
曾经有个学生拿着他的数据来找我，说用Seurat跑出来发现「疾病组有独特的T细胞亚群」。我瞄了一眼UMAP，样本标签显示「疾病组3个样本全部分在一起，对照组3个样本也全部分在一起」。这就不是生物学差异，是批次差异。后来我用CCA校正之后，那个神奇的「T细胞亚群」消失了——原来是伪影。