批次效应概述：什么是批次效应？它对单细胞数据分析有何影响？
我刚开始接触单细胞数据分析那会儿，说实话，第一件事就是被「批次效应」这个词整懵了。啥叫批次？说白了，就是数据里藏着「看不见的标签」——样本不是同一天处理的，试剂不是同一批买的，甚至操作员不同，都会在数据上留下痕迹。
你还别不信。我记得有一次，拿到一个公共数据集，明明实验设计里没加刺激，结果UMAP一画，左边一坨右边一坨，分得清清楚楚。仔细一看，左边是2019年跑的样本，右边是2020年跑的样本。嗯，这就是典型的批效应——实验日期不同，硬生生造出了两个「亚群」。
1. 批次效应的定义
批次效应，并不是生物学差异，而是由非生物学因素引起的系统性变异。它们直接干扰我们对细胞状态的判断，而且不会因为你数据量更大就消失。你想想看，同一个细胞类型，在批次A里表达基因X高，在批次B里因为试剂灵敏度不同表达低，差异基因分析一跑，它就成了「显著上调」——这不靠谱。
2. 批次效应的常见来源
我把工作中碰到的来源整理了一下，你看看是不是也有同感。
- 试剂批次不同——10X试剂盒版本、反转录酶、抗体批次。
- 操作人员——不同人手速、吹打力度、细胞活率，都会影响捕获效率。
- 测序流动槽（Lane）——不同Lane之间GC偏好、读取深度不一样。
- 实验日期与设备——仪器校准状态、室温、湿度，都有可能。
- 冷冻保存 vs 新鲜样本——冻存再解冻会改变转录组分布。
你可能会问：这么多变量，到底哪个最严重？我个人经验是：试剂批次+实验日期是最常见的两个大坑。我曾经有一个项目，同一个病人的肿瘤样本分成两次送测序，结果两次的UMAP完全岔开，差点让我以为肿瘤有两个不同亚型。后来一查，是两次用的不同批号的10X试剂。
3. 批次效应对数据分析的影响
影响可不是「一点点」，而是能在每一步分析里捣乱。我用表格把主要危害列出来，方便你对照。
| 分析环节 | 批次效应导致的典型问题 |
|---|---|
| 降维可视化 | UMAP/tSNE 按批次分离，真实的细胞类型被掩盖。 |
| 差异基因分析 | 假阳性增多——差异来自批次而非真实生物学状态。 |
| 细胞类型注释 | 同一类细胞被分到不同cluster，聚类结果不可靠。 |
| 拟时序分析 | 伪时间排序错误，把批次差异解释成发育轨迹。 |
| 整合比较 | 不同数据集无法正确对齐，生物学结论互相矛盾。 |
4. 如何检测批次效应
在动手校正之前，先得确认是否存在批次效应。我常用的方法就两步：
- 快速可视化：对原始数据（或LogNormalize后）做PCA，再用UMAP对前30个PC降维，按原始批次着色。如果同一种细胞类型在不同批次里分离得很开，那就是批次效应来了。
- 定量指标：比如kBET（k-nearest neighbor batch effect test）或者LISI（Local Inverse Simpson Index）。简单说就是看一个细胞附近有没有来自其他批次的邻居——如果邻居全是同批次，批次效应就强。
给你看一眼我常用的Seurat代码片段：
# 合并数据后快速查看批次效应
pbmc <- NormalizeData(pbmc) %>%
FindVariableFeatures() %>%
ScaleData() %>%
RunPCA() %>%
RunUMAP(dims = 1:20)
DimPlot(pbmc, group.by = "batch", label = FALSE) +
ggtitle("按批次着色，检查分离情况")你看这个图，如果同一细胞类型跨批次混合得很好，那批次效应基本可以忽略。但如果两个批次就像蓝队和红队一样泾渭分明——嗯，赶紧准备校正吧。
5. 批次效应的处理策略概览
检测到批次效应之后，就要决定用什么方法校正。目前主流路线有三条：
- 线性回归类（如 regress out / Combat）——假设批次效应是独立的线性加性项。
- CCA（典型相关分析）——Seurat经典的整合方法，通过寻找跨批次共享的基因协变结构来对齐。
- Harmony——基于模糊聚类和迭代混合，速度快，适合大规模数据。
这些方法后面的章节会详细讲解。但不管你选哪种，记住核心原则：先检测，再校正，最后验证。我见过太多人上来就盲点CCA，结果校正过度把真实差异也抹掉了。
这张图我特意把「检测」放在校正前面——嗯，这是血泪教训。曾经有同事直接跳过检测，拿了没批次效应的数据去Harmony，结果反倒把真实信号弄丢了。所以记住：先确认是不是病，再开药方。