📚 课程目录第3章批次效应概念

3. 批次效应概念：定义、来源与下游影响

各位同学，在正式进入 kBET 和 LISI 的具体操作前，我们先把批次效应这个老朋友彻底聊透。我做了这么多年单细胞分析，可以说与批次效应斗智斗勇是家常便饭。你想想看，辛辛苦苦跑完实验，生成了漂亮的热图，结果发现不同处理组的差异其实只是来自不同批次——这滋味可不好受。

3.1 批次效应到底是什么？

简单定义：批次效应（Batch Effect）是指由于实验操作、试剂、仪器、时间等非生物学因素引入的系统性技术变异。说白了，就是同样的样本，在不同的实验批次中检测，数据会莫名其妙地偏掉。

我习惯把它看作一个“技术指纹”——每个批次都会在数据上留下自己的印记。这个印记跟生物学差异混在一起，就成了我们搞数据分析时最头疼的问题。

个人经验：我刚入行时，处理一个 celseq2 数据集，两批细胞的基因表达分布看上去截然不同。我足足花了两周去排查生物学原因，结果发现只是因为第一批用的试剂盒换了批号。从那以后，我拿到数据的第一件事就是画批次对比图。

3.2 批次效应的来源

批次效应的来源，其实比想象中要多。我整理了一个常见来源表格，大家对照着检查自己的实验设计。

来源类别	具体因素	影响程度
试剂批次	酶、抗体、beads 的批号差异	★★★★★
操作人员	不同实验员的手法和习惯	★★★★
仪器设备	不同测序仪、不同 flow cell	★★★★
时间因素	实验间隔过长，环境变化	★★★
文库制备	PCR 循环数、接头批次	★★★
测序深度	不同批次间 reads 数不一致	★★★

这里要特别注意试剂批次这个因素。我在多个项目中都观察到，哪怕只换了同一品牌不同批号的逆转录酶，基因表达谱也能产生肉眼可见的偏移。所以，有能力的话，尽量在实验开始前就锁定试剂批次。

避坑提醒：曾经有一次，我以为样本冷冻时间超过半年是批次效应的主因，结果发现真正的问题是不同批次间的细胞捕获效率差异。要我说，批次效应的排查，不能只盯着一个因素，得全面审视实验流程。

3.3 批次效应对下游分析的影响

为什么批次效应这么招人烦？因为它会严重干扰下游分析的生物学结论。我把它总结成几个关键影响点。

3.3.1 聚类与细胞分群

批次效应最直接的影响就是：把同一个细胞类型，因为不同批次，硬生生分成了两个 cluster。或者反过来，让不同细胞类型因为批次而混在一起。这两种情况都会让你对细胞异质性的判断完全跑偏。

举个例子，我之前处理 PBMC 数据，明明知道样本 A 和 B 都是同一供体，结果聚类图里 CD4+ T 细胞分成了左右两团。一查 metadata，左边是第一批测的，右边是第二批测的。这个就是批次效应制造的“假阳性差异”。

3.3.2 差异表达分析

批次效应会大幅增加差异表达分析的假阳性率。原理很简单：如果一个基因在不同批次间表达量有稳定的偏移，那这个偏移会被误认为处理组差异。

我在一个 scRNA-seq 差异表达项目中做过统计：未校正批次效应前，检出了 1200 个差异基因；校正后，只剩 400 个。这多出来的 800 个，几乎全是批次效应带来的噪声。你可以想象，如果按照前者的结果去做后续验证，会浪费多少时间和经费。

3.3.3 轨迹推断与伪时间分析

这个就比较隐晦了。轨迹推断是基于细胞间的连续过渡关系，批次效应一旦扭曲了细胞间的距离，就会让平滑的“发育轨迹”变成几个离散的“片段”。我曾见过一个分化轨迹，未校正前，早期、中期、晚期细胞刚好落在三个批次上，看起来像三个孤立的台阶，完全看不出连续分化路径。校正后才恢复成一条完整的分化路径。

3.3.4 细胞通讯分析

CellChat 这类分析依赖配体-受体对的表达水平。批次效应导致的表达量偏倚，很可能让某些配体受体对被错误判定为“活跃”或“沉默”。你想想，你花了大量精力去解释某个通路在疾病组中的异常激活，结果发现是批次效应在作祟——这多尴尬。

3.4 应对批次效应的基本思路

我们面对批次效应，不是要彻底消除它（事实上也不可能完全消除），而是要做两件事：

检测：用可视化（PCA、UMAP 按批次着色）或统计方法（kBET、LISI）评估批次效应强弱。
校正：使用 Seurat CCA、Harmony、scVI 等方法进行校正。

这里要说一下，校正不是万能的。过度校正会导致生物学变异被抹掉，这叫“矫正过头”。我在项目中就见过，因为矫正参数调得太激进，原本健康组和疾病组的差异消失了。所以，检测批次效应时，也要同步评估校正后的生物学保留程度。

我个人的工作流：拿到单细胞数据后，先不做校正，直接用原始数据做一个 PCA 看看。如果发现明显的批次分离，再用 kBET 量化一下。最后根据量化结果决定使用哪种校正策略。

下面这张图，简单梳理了批次效应的来源和它对下游分析的影响路径。

3.5 怎么初步检查你的数据有没有批次效应？

在我拿到一个新的 scRNA-seq 数据集后，会跑一个快速检查脚本，大概就几步：

# 加载 Seurat 对象后
library(Seurat)

# 标准化
data_obj <- NormalizeData(data_obj)

# 找出高变基因
data_obj <- FindVariableFeatures(data_obj)

# PCA 降维
data_obj <- ScaleData(data_obj)
data_obj <- RunPCA(data_obj)

# 用批次信息着色
DimPlot(data_obj, reduction = "pca", group.by = "batch")

如果在 PCA 图上，不同批次的细胞明显分离成几团，那就高度怀疑存在批次效应。这时，再结合 kBET 或 LISI 做定量评估，就基本能确定问题的严重程度了。

注意：PCA 图上批次分离不一定完全代表有害的批次效应，也可能是生物学差异。我遇到过一次，两批样本本身就来自不同的组织区域，PCA 分离反映的是真实的解剖学差异。这时候盲目校正反而会抹掉有用信息。所以，一定要结合实验设计判断。

总的来说，批次效应是这个领域绕不开的坎。理解它的定义和来源，清楚它对下游分析的影响，是你做后面所有校正与评估工作的前提。我常说，搞单细胞分析，有一半的时间实际上是在跟批次效应周旋。当你真正掌握了检测和校正方法，你的分析结果才会站得住脚。