章节 1：批次效应概述与质控目标归纳总结

大家好，我是负责这部分内容的工程师。咱们开门见山，聊聊做组学数据分析时，最让人头疼的一个问题——批次效应。

你可能也有过这种经历：明明是同一种处理，同样的样本，就因为分了两批上机测序，结果 PCA 图一画，两批数据直接分成了两个“帮派”。嗯，这就是批次效应在捣鬼。我个人习惯把这种效应看作是实验流程里留下的“指纹”，它不是我们想要的生物学差异，但实实在在地干扰着我们的分析。

1.1 批次效应是什么？

简单来说，批次效应就是非生物学变量引起的系统误差。说白了，就是不同时间、不同操作员、不同试剂批次，甚至不同温度湿度，都会在数据里刻上各自的“印记”。

我在早期项目中就吃过亏。有一回分析肿瘤转录组数据，两组样本的 PCA 分离得特别漂亮，我差点以为自己发现了一个全新的亚型。结果一查实验记录，诶，这个所谓的“亚型”正好对应了两次不同的文库构建批次。这哪是生物学信号，分明是技术假象。

你可以这样理解：我们的目标是找到真正的信号（比如疾病 vs 正常），但批次效应就像背景噪音，甚至会伪装成信号。两张图对比一下，你看看区别：

特征	生物学差异（信号）	批次效应（噪声）
来源	实验变量（处理/疾病等）	技术变量（时间/试剂/操作员）
分布规律	与实验分组相关	与批次分组相关
我们希望	保留并放大	识别并消除
常见表现	PCA/UMAP 中组内聚集，组间分离	PCA/UMAP 中同批聚集，不同批次分离

1.2 为什么批次效应需要重点关注？

你想想看，如果我们不做任何处理，会有什么后果？

• 假阳性增加：错误地将批次差异当成生物学差异，找到的“差异基因”其实只是技术噪音。
• 假阴性增加：真正的生物学信号被批次噪声淹没，导致真实差异检测不出来。
• 模型泛化能力差：在一个批次上训练的模型，换一批数据就完全失效，说白了就是模型只记住了批次信息。
• 结论不可重复：你这次的分析结果，下一次用新数据就无法复现，学术和临床上都难以接受。

1.3 批次质控的核心目标

搞清楚困扰之后，我们得明确目标。做批次质控，不是简单地把所有数据拉平了事。我总结了三个层次的目标：

1. 检测：能不能先发现存在批次效应？它有多严重？
2. 量化：能否用一个指标告诉我，校正前后批次效应减少了多少？
3. 消除/整合：在保留真实生物学信号的前提下，如何最大限度地消除批次干扰？

这就像降噪耳机的工作原理——不是把你所有能听到的声音都屏蔽掉，而是只消除背景噪音，人声对话还得清晰保留。我们的 GNN 模型要干的，就是这把“智能降噪”的活。

1.4 常用评估指标速览

在实际动手之前，你得先知道用什么尺子去衡量。我们不搞虚的，直接上干货：

指标类别	常用指标	衡量什么
分离度	ASW (Silhouette Width by batch)	批次之间分得开吗？值越大，效果越差
生物学保留	ASW by cell type / NMI / ARI	细胞类型是否还聚在一起？值越大，保留越好
局部混合	kBET / LISI / Graph-iLISI	局部邻居里，不同批次是否混合均匀？
方差解释	PCR (Principal Component Regression)	批次变量能解释多少方差？越低越好

1.5 GNN 为什么适合干这个？

你可能会问，传统方法比如 ComBat、Harmony 不是也能处理吗？为什么非要上 GNN？

嗯，这里有个核心差异。传统方法通常是假设批次效应在全局上是线性或简单可加的。但真实数据的批次效应，往往是非线性的、局部的、甚至与细胞类型有关。比如，某些细胞类型受批次影响大，某些则影响小。

GNN 的优势在于，它能在 图结构 上建模。每个样本或细胞是一个节点，它们之间的关系是边。GNN 通过消息传递机制，可以学习到样本邻居之间的交互模式，进而识别出哪些差异是局部结构异常（批次污染），哪些是真正的生物聚类。说白了，它能理解“谁和谁是真正的一伙的，谁是被扔错了阵营的”。

下面的框架图展示了我们这个课程要解决的核心逻辑：