1. 批次效应概述

做数据分析的同行，十有八九都吃过批次效应的亏。我刚入行那会儿，处理一批基因表达数据，明明两组样本处理方式一样，聚类出来却按“送样日期”分开——说白了，样品没差异，是实验日期带来了假象。这就是批次效应。

什么是批次效应

批次效应（Batch Effect），指的是来自不同批次（不同时间、不同操作者、不同试剂盒等）的测量数据中，带有与真实生物学/技术变量无关的系统性偏移。它会干扰你的分析结论，让人把“批次差异”误认为是“真实差异”。

举个例子：你用同一种测序仪测两批样本，第一批的仪器校准稍有偏差，那么同一基因在两批里的表达值就会整体偏高或偏低。你如果拿这两批数据直接做t-SNE，大概率会看到两个簇——不是因为样本本身不同，而是因为仪器。

为什么需要检测与矫正

我个人的经验是：如果不做批次检测，你花几天调参出来的模型，很可能只学到了批次规律，而不是真实模式。问题在哪？

• 干扰可视化： t-SNE/UMAP 对局部结构敏感，批次效应会占据嵌入空间的主要维度，让生物学信号被压缩成小簇或噪声。
• 误导统计推断： 差异表达分析、分类模型都会把批次当成特征来学习，造成假阳性或假阴性。
• 降低可重复性： 今天的数据和明天的数据没法合并分析，因为你没有对齐批次。

我自己踩过的一个坑：曾有一批单细胞数据，按细胞类型正常分群后，居然又按文库批次分裂成两个“亚群”。一开始我还以为发现了稀有细胞类群，直到看了批次标签才恍然大悟——白白浪费了两周研究时间。

常见产生原因

批次效应的来源其实不难理解。我把常见原因整理成了一张表，方便你对照自己的数据排查：

类别	具体原因	例子
实验操作	不同人员、不同时间、不同操作细节	A 组 pipette 校准不准，B 组孵育时间长 5 分钟
试剂耗材	批号变更、储存条件差异	抗体批次换货、裂解液成分有细微差别
仪器平台	不同型号、不同校准周期	Illumina HiSeq vs. NovaSeq；同一台机器不同芯片
环境条件	温度、湿度、实验室位置变化	夏天 vs. 冬天，不同楼层通风差异
数据处理	不同版本软件、参数、流程	Cell Ranger 2.x vs. 3.x；比对算法版本差异

你注意看，这些原因几乎没法完全避免——这就是为什么我们需要检测和矫正，而不是幻想“没有批次效应”。

知识框架：批次效应全貌

下面这张图把批次效应的核心概念、诊断方法和矫正思路串起来了。我习惯先看这个框架再动手分析，心里有数。

图中除了给出本章重点（检测方法），也预告了后续章节会用到的矫正策略。你先把概念脑图刻在脑子里，后面实操时就不会跑偏。

小结

批次效应不是什么玄学，它就是实验里的“脏数据”。我们没法完全消灭它，但可以用合适的方法看清它、矫正它。我个人习惯做完数据质量控制后，第一件事就是用 t-SNE 或 UMAP 按批次着色看看——这一步花不了 5 分钟，但能帮你避免后续白费力气。