批次效应简介

各位好，我是你们这趟ComBat 算法消除批次效应之旅的领路人。先聊个基础概念——批次效应。说白了，就是那些跟实验目的无关、却因为操作条件不同而混进数据的系统性偏差。我最早做转录组分析时，吃过它的大亏，后来才真正重视起来。

1. 批次效应到底是什么？

批次效应（batch effect）是指非生物学因素导致的数据异质性。比如同一种癌症样本，今天测的和下周测的结果里，某些基因的表达量就是不一致——不是因为肿瘤变了，而是试剂、环境、操作员变了。你想想看，这种偏差会牢牢贴在数据上，搞得我们分不清“到底是生物差异还是批次差异”。

2. 常见场景——这些地方最容易踩坑

我在项目中遇到过不少类似情况，总结下来，主要有三大类“雷区”：

• 多中心研究：几家医院分别收集样本，送到不同测序平台。
• 不同测序芯片 / Lane：同一台机器不同运行批次，信号强度本身就漂移。
• 不同操作员或试剂批号：抽提试剂盒换了，PCR 酶批号不同，结果立马不一样。

别小看这些细节。有一次我检查某公开数据集，发现同一疾病样本在芯片 A 和芯片 B 上的表达模式，数据 PCA 图里分成两坨，完全看不出真实分组。嗯，那批数据后来只能重做……

3. 为什么我们非把它当回事？

因为批次效应会直接毁掉下游分析。我简单列几条：

1. 假阳性剧增：差异表达分析把批次差异当成真实信号，找出来的基因几乎全是假的。
2. 真阳性被掩盖：强批次可能把实际差异盖住，漏掉关键标志物。
3. 聚类 / 分类结果不可信：降维图里样本按批次聚，而不是按分组聚。
4. 批量校正后仍然残留：错误的校正方法甚至让情况更糟。

4. 快速诊断：肉眼就能看出问题

怎么判断数据有没有批次效应？我个人的标准做法就三步：

第一步，画 PCA 或 MDS 图。用颜色标样本分组，用形状标批次。如果不同批次样本在 PC1/PC2 上分开，而相同分组却没有聚拢——八成有批次效应。

下面是一个简化的 R 代码片段，拿来就能用（记得替换自己的 expr 和 meta）：

pca_result <- prcomp(t(expr), scale. = TRUE)
pca_df <- data.frame(pca_result$x, 
                     batch = meta$batch, 
                     group = meta$group)

library(ggplot2)
ggplot(pca_df, aes(x = PC1, y = PC2, 
                   color = group, shape = batch)) +
  geom_point(size = 3) +
  theme_minimal()

第二步，检查聚类树。层次聚类里，样本若先按批次分支再按分组分支，也是危险信号。

第三步，做个简单统计检验。比如对每个基因的方差分析，分出其归因于批次的比例。如果大量基因的批次方差占比超过 30%，就得小心了。

5. 批次 ≠ 生物学差异，这个界限要划清

很多新手容易混淆“批次差异”和“生物学真实差异”。我习惯用下面这张表来给学生讲清楚：

特性	技术变异（批次效应）	生物学变异
来源	实验条件、操作、试剂	遗传、环境、疾病状态
在 PCA 上的表现	样本按实验日期或芯片分组	样本按表型或处理组分组
是否可重复	换批次后可能消失或变动	跨批次应可重复
对下游的影响	导致假阳性 / 假阴性	真实研究结论的依据
处理方式	需要校正（如 ComBat）	应保留且深入研究

你仔细看这个对比：批次效应是要消灭的敌人，生物学变异是要守护的金矿。所以校正算法的目标，就是去掉技术因素，保留生物学差异。

6. 批次效应与常见解决思路一览

下面这张 SVG 图总结了批次效应的全貌——从来源到识别，再到主流消除方法。这也是后续课程里我们要反复回看的概念框架：

从上图可以看到：批次效应来源繁杂，识别要靠可视化加量化，影响直接威胁结论可靠性，最后需要专门的校正算法来压制。ComBat 就是其中最成熟、最流行的贝叶斯方法。我个人多年用下来，它在大多数场景下表现稳定，尤其处理多中心临床数据时特别合适。

---

好了，第一章就这么多了。你只要记住：批次效应不是小问题，忽视它相当于在实验数据里埋地雷。后续我们会一步步拆解 ComBat 的数学原理、R 和 Python 实现、参数调优，以及实战中的各种“坑”。但今天，希望你先把“识别批次效应”这件事练熟——画 PCA 图，看聚类，这是所有后续操作的起点。