3. 批次效应检测的总体策略：先验知识与可视化探索相结合
说实话，检测批次效应这件事，光靠“看代码跑结果”是不够的。我在多个项目中碰过壁，今天就把我总结的一套策略分享给你。
核心思路就一句话：先靠“常识”判断，再靠“眼睛”确认。也就是先验知识与可视化探索相结合。
3.1 先验知识驱动的初步判断
拿到数据后，不要急着敲代码。先看看实验记录或者元数据。你想想看，如果样本是在不同实验室、不同试剂盒、不同操作员、不同日期处理的，那就已经“自带嫌疑”了。
以下几个信息，我建议你优先检查：
| 排查维度 | 要问的问题 | 批次效应的风险等级 |
|---|---|---|
| 样本采集时间 | 是否跨周、跨月采集？ | 中～高 |
| 测序平台/芯片 | 是否用了不同型号的芯片或测序仪？ | 高 |
| 试剂批次 | 提取RNA的试剂盒是否换了批次？ | 中 |
| 操作人员 | 是否换了实验员？ | 中 |
| 实验室地点 | 样本是否来自多个中心？ | 高 |
如果上述任何一个答案是“是”，那就要格外警惕。我曾经在TCGA项目中遇到过一批数据，医院代码不同导致批次效应直接掩盖了生物学差异，害得我多花了两周去排查。从那以后，我拿到数据第一件事就是看医院代码分布。
3.2 可视化探索：用“眼睛”寻找异常
光靠先验知识还不够。实际操作中，你会发现即使实验条件完全相同，也可能出现莫名其妙的批次效应。这时候就要靠可视化来让“问题”原形毕露。
我个人习惯按以下顺序来做可视化探索：
- PCA / t-SNE 初步降维：这是最快的方法。如果样本被批次整整齐齐分开，而不是按实验分组分开，基本可以断定有批次效应。
- 聚类热图或者树状图：检查层次聚类结果。如果批次标签形成明显的分支，说明批次效应已经主导了数据的结构。
- 密度图或箱线图：检查每个基因在各批次的表达分布。如果某个基因在第1批和第2批的中位数差异超过1倍，那就有问题。
- 相关性矩阵：批次内的样本相关系数明显高于批次间，这也是一个危险信号。
这里有一个我曾经用过的检测脚本片段：
# 快速检测批次效应的 PCA 可视化
library(ggplot2)
library( factoextra)
pca_res <- prcomp(t(expr_data), scale. = TRUE)
pca_df <- as.data.frame(pca_res$x[, 1:5])
pca_df$batch <- metadata$batch
pca_df$group <- metadata$treatment
ggplot(pca_df, aes(x = PC1, y = PC2, color = batch, shape = group)) +
geom_point(size = 3) +
stat_ellipse(level = 0.68) +
ggtitle("PCA: 批次与生物学分组的分离情况")嗯，这里要注意：如果PCA图上，批次和生物学分组完美对齐，那可能会迷惑你——是批次效应还是真实差异？需要进一步判断。
3.3 综合判断流程图：先验 + 可视化 = 最终决策
在实际操作中，我不是只靠一种方法做决定，而是将两者结合。下面这张图是我自己总结的检测决策流程：
这个流程图是我在多个项目中反复验证过的。简单来说：
- 如果先验知识显示有显著批次特征，并且可视化图中批次与分组完全分离 → 直接进入校正流程。
- 如果先验知识不清晰，但可视化图中批次形成明显聚类 → 需要更精细的统计分析（如ANOVA）确认。
- 如果先验知识和可视化都显示无批次效应 → 可以跳过校正，但要保留原始数据备份。
3.4 避坑指南：一些常见误区
我做批次效应检测这些年，见过不少“看样子错了”的案例。下面几个坑你千万要避开：
2. 不要把“批次”和“生物学分组”完全等同。比如对照组全是第一批，实验组全是第二批——这种情况你没法区分，只能重新设计实验。
我曾经替一个团队排查过，他们用热图显示树状图，看似样本聚得很好。结果我细看发现：颜色标记的批次完全对应了树状图的几个大分支。这就是典型的“漂亮的错误”。我建议他们用批次颜色标记树状图的叶子，结果一目了然。
另一个常见误区是：过度依赖某个单一指标。比如有的人只看了PCA图上第一个特征向量的方差占比，就想当然地认为“没有批次效应”。
3.5 总结：检测策略的四个环节
说白了，检测批次效应就像看病：先问诊（先验知识），再视触叩听（可视化），最后下诊断。把这个流程固定下来，可以避免很多事后返工。
| 环节 | 主要工作 | 输出 |
|---|---|---|
| ① 数据审视 | 检查元数据、实验日志 | 可疑批次列表 |
| ② 降维可视化 | PCA / t-SNE / UMAP | 分布图 + 统计检验 |
| ③ 聚类验证 | 层次聚类热图 | 树状图 + 批次标记 |
| ④ 最终判断 | 结合②③与先验知识 | 是否使用ComBat校正 |
记住，千万别跳过步骤①。我见过太多人上来就扔进ComBat，结果导致“校正”后数据反而错了。因为ComBat它假设批次效应是独立于生物学效应的，如果这个假设不成立，结果就很危险。
嗯，讲到这里，检测策略的基本框架应该清楚了。下一步就是具体执行这些可视化分析，以及判断之后如何实施ComBat校正。