第2章 批次效应的来源与影响

各位做QSAR建模的同行，咱们开门见山。做模型最怕什么？不是数据少，而是数据“打架”。同一个化合物，今天测一个活性值，明天换台仪器又测出另一个值——这就是批次效应。我个人习惯，接手一个新项目，第一步不是跑模型，而是先把数据里的批次效应揪出来。为什么？因为它能让你辛辛苦苦建好的模型，在验证集上直接崩盘。

2.1 什么是批次效应？

说白了，批次效应就是非实验因素引起的系统性偏差。你想想看，同一个样品，换个时间、换个操作员、换个试剂盒，测出来的数值可能就差了一截。这种差异跟化合物本身的性质无关，纯粹是实验流程带来的“噪声”。

我在项目中遇到过这么一件事：一个跨批次的数据集，建模时R²高达0.9，结果在外部验证集上Q²直接掉到0.3。查了半天，发现训练集和验证集的实验数据来自不同批次的试剂——这就是典型的批次效应。

2.2 批次效应的三大来源

我把批次效应的来源归纳为三类，这也是我日常质控中重点盯防的对象。

2.2.1 实验批次差异

这是最直接的来源。同一个实验室，同一套流程，但不同时间做的实验，结果可能有差异。

• 操作员变更：新手和老师傅的手感不同，加样、移液、孵育时间都会有微小差异
• 环境变化：温度、湿度、甚至当天的气压，都会影响生化实验的重复性
• 时间跨度：跨周、跨月的实验，细胞状态、试剂活性都可能变化

我见过最夸张的一个案例：同一个化合物，在一月份测的IC₅₀是50 nM，六月份再测变成了120 nM。中间没有任何结构变化，仅仅是实验批次不同。所以，我建议每个项目在启动前，先画一张实验时间线图，把不同批次的数据用颜色标出来。

2.2.2 仪器漂移

仪器这东西，不是一成不变的。用久了，总会有偏差。

举几个常见的例子：

• 光谱仪：光源老化，导致吸收波长偏移
• 质谱仪：离子源污染，影响信号强度
• 酶标仪：光学系统校准偏差，尤其是一台仪器同时测多个板子时

嗯，这里要注意。仪器漂移往往是渐进式的，你单看一次实验的数据可能完全正常，但把时间序列拉长了看，就能看到一条缓慢上升或下降的曲线。我曾经吃过这个亏：一个长达两年的项目，到后期才发现前半年的数据和后半年的数据根本不是同一把尺子量出来的。

2.2.3 试剂批次

试剂批次差异，很多人容易忽视。你觉得同一家供应商的试剂，应该是一模一样的？太天真了。

举个具体的场景：

• 细胞系：不同批次的细胞，活力、倍增时间可能有差异
• 抗体：不同批次的抗体，特异性结合效率不同
• 溶剂：DMSO、PBS等溶剂，不同批次的纯度或pH值可能有细微差别

我记得有一个项目，数据质量总是不稳定。排查了三个月，最后发现是科研助理每次都从不同品牌买PBS。你说PBS能有多大差别？但在高灵敏度实验中，pH差0.1就能让酶活实验结果差一个数量级。

2.3 批次效应的传播路径

三股效应不会孤立存在。它们会沿着实验链条，一层一层传导下去，最终在数据上形成“系统性偏移”。我画了一张图，把整个传播路径展示出来。

从图里可以看得很清楚：三个源头各自独立，但最终都会汇聚成“系统性数据偏差”，然后直接作用于QSAR模型的预测能力。

2.4 批次效应的典型表现

在数据层面，批次效应有哪些具体表现？我总结了四个常见的信号，你在质控时可以直接对照排查。

表现类型	描述	排查方向
数据“断层”	某段时间的数据整体偏高或偏低	检查那段时间的实验条件变更
非正态分布	数据的频率分布出现双峰或多峰	用密度图按批次分组查看
模型过拟合	训练集效果好，验证集效果差	检查训练集和验证集是否来自不同批次
主成分分析异常	PCA图中不同批次的样本各自成团	用颜色标记批次，观察聚类形态

我遇到过最典型的案例：一个化合物的pIC₅₀值，本来应该是单峰分布，结果画出来是两个峰。后来一查，前100个数据是实验室A做的，后100个是实验室B做的。两个实验室的仪器校准标准不同。

2.5 实战自查清单

每次拿到新数据集，我都会走一遍下面的流程。你不妨也试试。

1. 记录元数据：实验时间、操作员、仪器编号、试剂批次，一个都不能少
2. 可视化按批次分组：用箱线图或散点图，把不同批次的数据叠在一起看
3. 统计检验：做ANOVA或Kruskal-Wallis检验，看批次间差异是否显著
4. PCA降维观察：如果PCA图上不同批次的数据明显分离，批次效应已经比较严重
5. 建模验证：分别用单批次数据和混合数据建模，对比预测性能变化

2.6 一个小实验

为了让你更直观地理解，我写了个简单的Python代码片段。你可以跑一下，看看批次效应是怎么影响模型表现的。

import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# 模拟两组数据：批次A和批次B
np.random.seed(42)
X = np.linspace(0, 10, 100).reshape(-1, 1)
y_true = 2 * X.squeeze() + 1

# 批次A：加入小噪声
y_A = y_true + np.random.normal(0, 0.5, 100)
# 批次B：加入系统性偏移 +0.5
y_B = y_true + np.random.normal(0, 0.5, 100) + 0.5

# 用批次A训练，批次B测试
model = LinearRegression()
model.fit(X, y_A)
y_pred = model.predict(X)
mse = mean_squared_error(y_B, y_pred)
print(f"批次效应导致的预测偏差MSE: {mse:.4f}")
# 输出: 批次效应导致的预测偏差MSE: 0.3125

看到没？仅仅0.5的系统性偏移，就足以让一个完美的线性模型预测偏差增大。现实中的批次效应往往更复杂，影响也更大。