4. kBET 算法原理：k近邻批次效应检验的数学基础
好了，咱们进入正题。前面聊了那么多为什么需要校验批次效应，这章我们就把 KBET 这个工具拆开看看。说实话，我刚接触 KBET 时也有点懵，觉得又是近邻又是卡方检验的，太数学了。但真正用过几回就发现，它的核心逻辑其实就那么几条线。
4.1 整体思路：你在检验什么？
KBET，全称 k-Batch Effect Test，直译就是「基于k近邻的批次效应检验」。我个人习惯把它理解成一个「局部公平性检查器」。它不问数据整体是否被批次信息主导，而是逐一核验：在任意一个细胞周围，来自不同批次的邻居数量，是否跟全局期望相符？
你想想看，如果数据里没有批次效应，那么某个细胞的邻居就应该像「随机抽样」一样，各批次出现的比例跟它们在整体中的比例差不多。反过来，如果某个细胞周围的邻居几乎全来自同一批次，那肯定有问题——这就是 KBET 要揪出来的异常。
4.2 第一步：构建k近邻图
你必须先知道「谁是谁的邻居」。KBET 的第一步就是在整合后的嵌入空间（比如 PCA 降维结果）里，为每个细胞找到最相似的 k 个细胞。
- 度量标准：欧氏距离最常用。个别场景我用过余弦距离，效果差不多。
- k 的选择：默认 k=5，但我建议数据集大时调到 10-20，否则邻居太少，统计量不稳定。
- 输入数据：通常是 top 20-50 个 PC，不是原始基因表达矩阵。
这里有个项目经验。我曾经在 20 万细胞的超大数据集上跑，用的是 FastCD 优化的近似近邻算法，不然内存直接爆掉。
4.3 第二步：计算局部批次分布
近邻图构建完了，接下来做一件简单的事：对每个细胞 i，统计它的 k 个邻居里，每个批次标签出现了多少次。
假设我们有 B 个批次（比如 Batch1、Batch2、Batch3），全局细胞总数 N，各批次数量分别为 N₁、N₂、N₃。那么全局期望比例就是：
p_b = N_b / N (b = 1, 2, ..., B)如果数据完美混合，细胞 i 的 k 个近邻中，来自批次 b 的邻居数量应该接近 k × p_b。但真实情况不可能这么理想，所以我们需要一个量化指标来判断这个「接近」到底到不到位。
核心条件：如果在细胞 i 的近邻中，来自某个批次的细胞数量显著多于全局期望（或者显著少于），说明该细胞附近存在批次集中的现象——这就是批次效应。
4.3 第三步：卡方检验——衡量差异有多「显著」
量化工具就是经典的卡方检验，也叫 χ² 检验。它的基本公式很简单：
χ² = Σ [(O_b - E_b)² / E_b] (对批次 b = 1 到 B 求和)- O_b：实际观测到的来自批次 b 的邻居个数。
- E_b：期望值，即 k × p_b。
- 求和：对每个批次计算，最后累加出一个总的卡方统计量。
这个 χ² 值越大，说明局部批次分布越不均匀，也就是局部与全局偏差越大。你可能会问：「那多大算大？」KBET 通过卡方分布（自由度 = B-1）计算 p-value，然后跟显著性水平 α（默认 0.05 或 0.01）比较。
实际项目技巧：当近邻数 k 小于批次数量 B 时，卡方检验会失效。KBET 会跳过这类样本，不计算其 p-value。所以有时你会发现报告里有「未测试」的细胞——别慌，这很正常。
4.4 第四步：汇总与接受率
单个细胞的卡方检验结论太细碎，我们需要一个宏观指标。KBET 会统计所有被测试的细胞中，p-value 大于 α（即接受原假设 H₀，认为局部与全局无显著差异）的占比，这就是「接受率」(Acceptance Rate)。
| 接受率范围 | 批次效应严重程度 | 调后建议 |
|---|---|---|
| 90% - 100% | 几乎无批次效应 | 可以放心进入下游分析 |
| 70% - 90% | 轻微批次效应 | 可以接受，但注意检查 |
| 50% - 70% | 中等批次效应 | 建议重新调整整合参数 |
| < 50% | 严重批次效应 | 整合失败，需要换方法 |
避坑指南：我曾经见过一位同事只看接受率超过 90% 就觉得万事大吉，结果下游差异分析里还是出现了假阳性。光看平均值会掩盖掉某些「局部的、严重的」批次效应——比如某一群细胞全是Batch1，但其他群混合很好，平均数仍然高。所以一定要结合可视化，再看局部异常区域的细胞比例。
4.5 关于k值的选择——多一点个人建议
前面几次提过 k，这里单独拎出来细说一下。k 就是近邻数量，这个参数直接影响检验敏感度。
- k 过小：比如 k=2，统计量极不稳定，随机波动看起来就像显著差异，接受率会偏低，给你发假警报。
- k 过大：比如 k=100，局部「感受野」太大，把不同亚群都混进来了，批次的局部偏差被平滑掉，接受率虚高。
- 经验值：我一般选 k=10-20 之间。如果细胞总数小于 1000，那 k 可以降到 5-10。
有时候我也会跑一个「k 敏感性分析」：用不同的 k 跑一次，看看接受率怎么变化。如果所有 k 下的趋势一致，那结论就更可靠了。
4.6 KBET 的局限性（顺便告诉你避免踩坑）
算法不是万能的，这里我列出几个实际项目中遇到过的问题：
- 非对称批次组成：如果某个批次数量极少，比如只占 2%，那它在局部很难凑够期望数，卡方检验容易失效。KBET 内部会跳过这类情况，但你得知道这个事实。
- 空间结构与批次混淆：如果细胞类型本身是按批次分组的（比如 Batch1 全是 T 细胞，Batch2 全是 B 细胞），那么即使整合完美，局部批次分布也不会均匀——因为 T 细胞和 B 细胞本来就离得很远。这时 KBET 的检出不代表批次效应，而是生物差异。所以我的建议是：分层抽样或使用参考批次校正。
- 计算效率：原始 KBET 实现对 10 万以上细胞较慢。我现在项目里都用 Cython 优化版本或者分布式实现。
一句话总结：KBET 本质上是一个「近邻内批次标签均匀度的统计检验」。它很实用，但你必须理解它什么时候好用、什么时候可能骗你。
好了，这章就到这里。其实 KBET 的原理没有听起来那么复杂——你只需要记住它就想知道「随机抽查的每个细胞周围，批次分布是否合理」。下次你跑 KBET 时，不妨手算两个细胞的卡方值，你会更有体感。