2. 批次效应概念：定义、来源、对下游分析的影响

聊单细胞数据分析，有个绕不开的话题——批次效应。我刚开始接触单细胞项目那会儿，总以为样本跑完了，数据一合并就能直接分析。结果呢？聚类图出来，不同颜色不是细胞类型，而是不同的实验批次。那个尴尬，至今记忆犹新。

说白了，批次效应就是技术因素带来的系统性变异。你想想看，同一批细胞，如果分两次上机测序，得到的表达谱肯定有差异。这部分差异跟生物学本身没关系，纯粹是技术操作引入的噪声。

2.1 批次效应的定义

学术点的说法：批次效应是指由于样本处理、测序实验、试剂批次等非生物因素导致的系统性表达偏差。它会影响不同批次之间数据的可比性，让真正的生物学差异被淹没在技术噪声里。

我习惯用一个类比——拍照。同一朵花，你用iPhone拍一张，再用单反拍一张，两张照片的色彩分布完全不同。你不能说花变了，只是相机不同。

在实际项目中，批次效应通常表现为：

• 样本特异性偏移：某个样本的基因表达整体偏高或偏低
• 主成分聚类：PCA图中样本按批次聚集，而非按细胞类型
• 标记基因噪声：本该细胞类型特异的基因，在不同批次中表达模式差异大

2.2 批次效应的来源

这个问题我经常被问到：“为什么会有批次效应？” 其实来源非常多，我挑几个常见的说说。

来源类别	具体因素	典型场景
试剂批次	不同批号的逆转录酶、接头、引物	实验室更换试剂品牌或批次号
操作人员	细胞计数差异、移液器操作习惯	A同学做前3个样本，B同学做后3个
仪器设备	不同测序平台、不同通道	Novaseq 6000 vs Nextseq 500
时间间隔	样本采集与建库间隔、冻存时间	今天处理对照，下周处理病例
环境条件	实验室温度、湿度、RNA降解	夏季样本与冬季样本

2.3 批次效应对下游分析的影响

这应该是大家最关心的部分。我经历过一个真实的案例：两个批次的PBMC数据，合并后聚类出8个群。仔细一看，其中两个群完全由单个批次的细胞构成。你以为发现了新亚群？其实是批次效应在捣乱。

具体影响有以下几个方面：

1. 掩盖真实生物学差异 —— 不同疾病状态或处理组之间的差异被批次效应覆盖，你无法区分是药物作用还是实验操作
2. 增加假阳性 —— 差异表达分析会把批次差异当作处理差异，导致大量假阳性基因
3. 降低聚类可信度 —— 细胞分群结果与批次标签高度相关，而非细胞类型
4. 影响轨迹推断 —— 拟时序分析会被批次效应扭曲，出现虚假的发育轨迹
5. 削弱整合能力 —— 跨数据集的整合（如与公共数据比对）变得困难

2.4 如何识别批次效应？

嗯，这里要注意。识别批次效应并不是靠肉眼盯着表达矩阵看。我推荐几个快速诊断的方法：

• PCA可视化：用前两个主成分绘图，按批次着色。如果批次样本明显分离，说明有问题
• Umap/t-SNE着色：与PCA类似，但更直观。正常情况下各批次细胞应相互混杂
• 批次占比热图：每个聚类中计算各批次的比例。如果某个群全是来自批次A，高度怀疑
• 标记基因验证：检查已知细胞类型标记基因是否在不同批次中表达稳定

下面这个SVG图，总结了批次效应的完整框架，从来源到影响再到应对策略。我在写代码前经常看一眼这张图，思路瞬间清晰。

2.5 个人经验与避坑指南

关于批次效应，有些坑我替你踩过了，写出来供参考。

曾经有个项目， 我在做T细胞亚群分析时，发现一个群表达高水平的应激基因。我差点把它当作新的功能亚群。后来仔细查看批次信息，发现这个群全部来自同一次上机的样本。校正后，这个群消失了。嗯，原来是冻存时间过长导致的RNA降解。那之后我每次合并数据前，必先跑PCA看批次分布。

还有一次，我试图用简单的线性回归做批次校正。结果呢？校正过度，真实的疾病差异也被抹掉了。所以我建议：不要用太简单的模型，特别是数据规模大、批次差异复杂的时候。

最后提醒一句：批次效应不是疾病，别恐惧它。它只是一种需要规范处理的技术差异。理解它的来源、掌握识别方法、选择合适的校正策略，这些我都会在后面几章展开讲。