📚 课程目录第1章 Python环境搭建与批次效应简介

1. Python环境搭建与批次效应简介

说实话，我自己最开始做单细胞分析那会儿，踩过最大的坑就是环境问题。不同工具包版本打架、依赖冲突，一搞就是半天。所以这一章，咱们先把地基打牢。

你有没有遇到过这种情况：装了一个新包，结果把另一个项目搞崩了？

这在生物信息学里太常见了。比如说，scanpy 1.9 和 1.8 的某些 API 都不一样。一个项目用旧的，另一个项目用新的，硬装在一起，迟早出问题。

我的建议很简单：每个项目独立环境，互不干扰。

Anaconda 是目前最省心的 Python 发行版。内置了 conda 包管理器，管理环境非常方便。

去官网下载对应系统的安装包，我建议选 Python 3.9 以上的版本。安装过程一路默认就好。

装完之后，验证一下：

conda --version
python --version

我给这门课专门建了一个环境：

conda create -n batch_effect python=3.9
conda activate batch_effect

嗯，这里要注意：环境名别用中文，有些包在解析路径时会崩溃。

先装一批基础工具：

conda install numpy pandas matplotlib seaborn jupyter
conda install -c conda-forge scanpy anndata
pip install combat pyHarmonize

我个人习惯用 conda 装 scanpy，因为它的依赖链很复杂，conda 能自动处理版本冲突。

说白了，批次效应就是：你测两批数据，结果差别不是因为生物差异，而是因为实验操作、试剂批次、测序仪不同等非生物因素造成的。

我有个例子特别典型。有一年我们实验室做单细胞测序，同一批样本分了两次上机。结果拿回来一聚类，两批数据各自抱团，跟本来想研究的细胞类型完全无关。这就是明显的 batch effect。

它长什么样？你可以想象成：你的细胞样本本来在 UMAP 图上是一团糊糊，但因为是不同批次测的，结果两团糊糊分开了。你以为是不同细胞类型，其实只是批次假象。

为什么会这样？你可以想想看：单细胞数据每个样本有几千个细胞，你混在一起分析时，首先得搞清楚哪些差异是真实生物差异，哪些只是批次技术噪声。

核心要点：批次效应不是“脏数据”，它是实验设计本身带来的系统偏差。关键不是避免它——很多时候你根本避免不了——而是正确识别并校正它。

我在项目中遇到过这样的坑：同一个实验室，不同研究生操作，同一批样本，结果还是出来了批次效应。为什么呢？

嗯，这里要记住：批次效应不一定肉眼可见。有时候 PCA 图上不明显，但在后续差异分析里它悄悄影响 p 值和 fold change。

先看一眼整体流程，心里有个大概：

这张图是我自己总结的。从数据加载到最终报告，我们每一步都会用 Python 代码实际跑一遍。你想想看，有了这个认知框架，后面学起来就不会觉得乱了。

我曾经踩过的坑： 有次我直接在 base 环境里装包，结果 scanpy 和 scikit-learn 的依赖冲突了，怎么都装不上。最后只能删掉重装全部环境。从那以后，每开一个新项目，我第一件事就是 conda create -n new_project python=3.9。

小技巧： 用 conda 装包时，如果网络慢，可以加 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ 用国内镜像。

这一章我们搞定了三件事：