第二章：批次效应——QSAR模型里的“隐形杀手”
咱们做QSAR建模的，经常遇到一个让人头疼的问题：模型在训练集上表现亮眼，一换到新数据就崩盘。很多新手第一反应是“变量选错了”或者“算法不行”。但我做了这么多年质控，可以负责任地告诉你——很多时候，罪魁祸首是“批次效应”。
说白了，就是你的数据不是“一锅出”的。不同时间、不同仪器、不同操作员测出来的数据，哪怕测的是同一个化合物，都会带着各自的“批次烙印”。这些烙印叠加到QSAR模型里，就成了隐形的干扰信号。
核心共识：批次效应不是异常值，它是一种系统性的、与实验批次相关的结构噪声。不识别、不处理，模型的泛化能力就是空谈。
2.1 什么是批次效应？我先讲个亲身经历
我记得刚工作那年，接手一个激酶抑制剂的QSAR项目。前三个批次的活性数据建模，R²做到0.85，Q²也有0.78，大家都觉得稳了。结果第四批次的数据一进来，预测值与实测值的误差直接翻了3倍。
我当时排查了所有变量、标准化流程、算法参数……后来一查原始实验记录才发现：前三个批次用的是旧版微孔板读数仪，第四批次仪器升级了，检测波长重新校准过。就这么一个小变化，整个模型的基础分布就变了。
这就叫批次效应。用专业定义讲，它是指：来自不同实验批次的数据，由于非生物因素（仪器、试剂、操作、环境等）的扰动，在特征空间中形成系统性的分布偏移。
2.2 批次效应从哪来？——常见污染源
我总结了一个清单，这些都是我在项目中踩过的坑：
| 污染源类别 | 典型例子 | 我的评级（破坏力） |
|---|---|---|
| 仪器/设备 | 换检测器、波长校准漂移、柱温波动 | ★★★★★ |
| 试剂/耗材 | 不同批次的溶剂纯度、色谱柱老化、培养液批次差异 | ★★★★☆ |
| 操作人员 | 移液误差习惯、培养时间/温度把控差异 | ★★★☆☆ |
| 环境条件 | 室温、湿度、昼夜节律（是的，细胞实验有这个） | ★★★☆☆ |
| 数据处理流程 | 不同时期的数据清洗标准、归一化参数不同 | ★★★★☆ |
你想想看，这些因素叠加在一起，数据还能“纯净”吗？
一个小习惯：我每次拿到新批次数据，第一件事不是建模，而是先做“批次标记”——给每个样本加上批次ID。别小看这一步，它是后期所有批次诊断的基础。
2.3 批次效应对QSAR模型的影响到底有多大？
咱们用一个具体的场景来分析。假设你有两个批次的数据：批次A和批次B。
- 场景一：只用批次A建模——模型学到了A的特征分布，但换到B数据，分布变了，预测准确率直接跳水。
- 场景二：把A和B混在一起建模，但不考虑批次——模型会把批次差异“误认为”是有结构关系的变化，导致学习到虚假的相关性。
- 场景三：建模时加入了“批次”作为变量，或者用批次校正算法——这才算真正把噪声和信号分离开。
我曾经接过一个外包项目，对方给了6个批次的IC50数据，我要求他们提供批次标签。对方说“这都是同一实验做的，没区别”。我没听他们的，自己做了个主成分分析——结果一画出来，6个批次在PC1/PC2平面里各自抱团，清清楚楚6个簇。嗯，这就是典型的“我不说，但你骗不了我的模型”。
具体影响包括：
- 高估模型性能：混合批次的训练集，内部验证指标（R²、Q²）可能虚高，因为模型学会了区分批次，而不是区分活性高低。
- 外部预测能力崩盘：新来的独立批次，一旦有全新的批次偏移，模型直接“愣住”。
- 特征重要性失真：某些与批次高度相关的特征（比如仪器响应值）会被错误地识别为关键变量。
- 模型适用域缩水：模型只对与训练集批次相同的实验环境有效，换个实验室就完蛋。
2.4 怎么检测批次效应？——先摸清底牌
那怎么知道自己的数据有没有批次效应？我分享几个实战方法：
- 可视化探索：用PCA或t-SNE降维，按批次ID着色。如果不同批次的点能明显分开，基本坐实了批次效应。
- 分布检验：对每个特征，按批次做箱线图或密度图。看看同一特征的分布中心有没有偏移。
- 统计检验：用ANOVA或Kruskal-Wallis检验，看特征均值在不同批次间是否有显著差异。
- 建模诊断：建一个简单的“批次分类器”（比如随机森林），如果分类准确率远高于随机水平，意味着批次差异已经被模型轻松捕捉到了。
我的经验：我最喜欢用PCA+批次着色这一招。节省时间，效果直观。给合作方看一眼他们就知道问题在哪。
2.5 怎么预防和消除批次效应？
总结起来就两条路线：实验控制和数学校正。
实验控制
这是根本，但说实话，很多时候做不到。我建议至少做到这几点：
- 固定的SOP、固定的人员、固定的仪器和试剂品牌
- 实验设计时引入“批次平衡”——每个批次都包含一定比例的阳性对照和阴性对照
- 原始数据记录一定要带上批次元信息
数学校正
大多数情况下，我们只能靠算法来擦屁股。常用的方法有：
| 方法名 | 核心思路 | 适用场景 |
|---|---|---|
| ComBat | 基于经验贝叶斯，调整每个特征的均值和方差 | 基因组学、代谢组学常见，QSAR也适用 |
| Limma | 线性模型，显式建模批次因子 | 小样本实验设计 |
| PCA + 剔除前几个主成分 | 假设批次效应集中在少数主成分上 | 快速粗校正 |
| 批次作为协变量建模 | 在QSAR模型中直接加入「批次」作为分类变量 | 模型本身支持分类变量时最直接 |
| MCCV + 批次分层 | 蒙特卡洛交叉验证时按批次分层抽样 | 评估时消除批次偏差 |
举个例子，用ComBat校正的Python代码大致长这样：
from combat.pycombat import pycombat
# data: 特征矩阵，行是特征，列是样本
# batch: 样本的批次标签列表，长度等于样本数
corrected_data = pycombat(data, batch)
# 输出校正后的特征矩阵
# 注意：输入数据一般建议先做log变换一个我曾经犯的错：有一回我用ComBat校正了训练集和验证集，但忘记了验证集应该使用训练集的校正参数来变换，而是各自独立校正——结果模型更差了。记住：校正参数只能从训练集学，验证集/测试集必须用相同的参数被动变换，不能重新拟合。
2.6 小结：批次效应这件事，值得认真对待
说到底，批次效应不是实验室里的“玄学”，它是实实在在的数据质量问题。做QSAR建模，如果我们连数据来源的一致性都保证不了，模型再花哨也没用。
我习惯在每一个新项目开始时，先把所有数据的“批次家谱”理清楚——什么时间做的、谁做的、用什么仪器。然后把PCA图一画，心里就有数了。如果发现有批次分离，不要慌，先校正、再建模、后验证。
嗯，这一章的内容差不多了。记住一句话：没有经过批次诊断的QSAR模型，就像没有校准的仪器——你敢用，我不敢信。