📚 课程目录第2章批次效应的来源与影响

2. 批次效应的来源与影响：实验操作、试剂批次、时间差异等因素

做过组学数据分析的同事都知道，批次效应是个绕不开的坑。我刚入行那会儿，总以为数据只要标准化就能用，结果第一次整合两个实验中心的数据时，聚类图直接按实验中心分成了两坨——这才意识到批次效应的厉害。

说白了，批次效应就是在不同实验批次中，由于非生物学因素引入的系统性差异。你想想看，同样的细胞、同样的处理，换个人操作或者换个试剂盒，出来的表达谱可能就差了一大截。这种差异会跟我们真正关注的生物学信号混在一起，搞不好就得出错误的结论。

2.1 批次效应的三大主要来源

根据我在多个项目里的经验，批次效应主要来自下面三个方面。我习惯把这三大来源记成“人、机、料、法、环”——嗯，这是从生产质量管理那借来的思路，但确实好用。

来源类别	具体因素	影响程度	常见场景
实验操作	操作人员、移液精度、孵育时间、温度控制	中等到高	多中心研究、不同实验员处理样本
试剂批次	试剂盒批号、抗体批次、酶活性变化	高	跨年收集的临床样本、试剂停产更换
时间差异	测序运行间漂移、仪器校准周期	中等	长期队列研究、大规模测序项目

核心认知：批次效应不是噪声，而是系统性的偏差。噪声我们用平均或中位数就能压住，但批次效应是有方向的偏倚，你不专门处理它，它就会带着你的分析跑偏。

2.2 实验操作差异：最隐蔽的变量

这个因素我吃过不少亏。我记得有个项目，同一个实验中心，两台机器测同一批RNA样本，结果差异比不同处理组之间的差异还大。当时排查了半天，最后发现是两台机器的PCR反应程序有0.5℃的温差。

常见的操作差异包括：

RNA提取效率：不同人、不同批次的提取柱回收率不一样。我见过极端情况，A提取的RNA浓度是B的两倍，但稀释后定量反而偏低——这是因为残留的蛋白质干扰了比色法。
逆转录效率：这一步的波动非常大。不同品牌的逆转录酶、甚至同一品牌不同批次的活性都有差异。说白了，cDNA的产量就是批次效应的放大器。
文库构建：PCR扩增循环数、片段筛选条件，每一个环节都可能引入偏向性。有些基因在低循环数时扩增效率高，有些相反，这就人为地放大了某些基因的表达差异。

避坑指南：我曾经接手过一个公共数据库的数据集，标注是“同一个人做的”，结果PCA一看明显分两群。后来查原始记录才发现，虽然操作人没换，但中途换了一次荧光染料批次。你看，操作人固定并不能保证批次被消除——原料变了也一样出问题。

2.3 试剂批次：最容易被忽略的“定时炸弹”

试剂批次的问题，我建议所有做大规模组学的人都重视起来。为什么？因为试剂批次往往跟时间高度相关——你今年用的试剂盒和去年用的，即使都是同一个厂商、同一个型号，批号也大概率不同。

为什么会这样？厂商的原料供应链每年都在变。你想想看，抗体生产用的杂交瘤细胞、酶生产用的重组菌，都可能在生产周期中发生微小的基因漂变。这些变化单独看可能没啥，但累积到表达谱数据里，就成了可以分离的批次信号。

实战技巧：我个人的习惯是——在项目开始前就跟厂商锁定3-5个批次的试剂，一次性采购到位。如果项目周期长，就分阶段采购，但保证同一阶段的样本用同一批次。你别说，就这一个动作，能减少至少一半的批次效应问题。

试剂批次影响的量化示例：

微阵列芯片：不同批次芯片的背景信号差异可达10-30%
RNA-seq：不同批次测序试剂盒的GC偏向性不同，低GC区域的覆盖度波动很大
质谱：色谱柱批次差异会导致保留时间漂移，峰值强度变化高达50%

2.4 时间差异：被低估的系统性漂移

时间差异是我在长期随访项目中最早遇到的坑。一个胰腺癌的纵向队列，样本收集跨度了18个月，结果前9个月和后9个月的样本在PCA图上自动分成了两群。后来查了原始log，发现中间实验室换了一次荧光校准液。

时间差异的几个典型场景：

测序仪运行间漂移：同一台仪器的不同运行，簇密度和碱基质量都有波动。这个在NGS中非常常见。
仪器定期校准：每季度一次的校准，会改变信号检测的灵敏度。如果你项目做了两年，其实就是经历过8次仪器状态变化。
环境变化：实验室空调坏了、一次试剂到货延迟导致样品存放时间差异——这些看起来“偶然”的事，都会在数据里留下痕迹。

# 我在项目中常用的检查方法：先跑一个MDS或者PCA，看样本是否按时间点聚类
# 用R语言的base包就能快速检查
library(reshape2)
library(ggplot2)

# 假设批次信息在meta$batch列
pca_res <- prcomp(expr_data, scale. = TRUE)
pca_df <- data.frame(PC1 = pca_res$x[,1], 
                      PC2 = pca_res$x[,2], 
                      Batch = meta$batch)
                      
ggplot(pca_df, aes(x = PC1, y = PC2, color = Batch)) +
  geom_point(size = 3) +
  theme_minimal()

2.5 批次效应对下游分析的影响

讲完来源，我们来看看这些影响会怎么传递到最终结果上。我习惯用一个图来总结这整条因果链：

这个路径图其实就讲了一件事：批次效应从不同的源头汇聚成同一类问题——非生物学的系统性偏差，然后它会在下游的差异表达、聚类分析、分类器和生物标记物筛选里全都反映出来。你不处理它，它就处理你的结论。

关键指标：如何定量判断批次效应严重不严重？我个人习惯是先看PCA图中批次间的分离度——用Silhouette score或者批次间欧氏距离的中位数。如果这个值大于0.5，那基本可以肯定批次效应需要处理了。

2.6 实际项目中的识别技巧

我在多个项目中摸索出了一套快速识别批次效应的流程，分享给你：

可视化第一关：跑PCA或者t-SNE，颜色按批次标记。如果样本按批次聚成几个互不重叠的团，那没跑了。
统计验证：用ANOVA或者Kruskal-Wallis检验，看每个基因的表达式是否在不同批次间有显著差异。我一般关注的是——有多少比例基因的p值小于0.05？如果超过10%，就得警惕了。
批次相关性分析：计算批次间的相关系数矩阵。理想情况是批次内r>0.9，批次间r>0.8。如果批次间r低于0.5，那批次效应已经盖过了生物学信号。
PCA变异分解：把PC1和PC2的方差按批次来源分解。如果批次能解释超过20%的变异，那ComBat就必须上场了。

# 一个快速检查批次效应的R脚本片段
# 直接用关联测试看批次与PC1的相关性

batch_pca_check <- function(expr, batch) {
  # expr: 基因表达矩阵, 样本为列
  # batch: 批次向量
  pca <- prcomp(t(expr), scale. = TRUE)
  pc1 <- pca$x[,1]
  # 计算批次与PC1的关联强度
  rsq <- summary(lm(pc1 ~ as.factor(batch)))$r.squared
  cat("PC1被批次解释的方差比例:", round(rsq, 3), "\n")
  if (rsq > 0.15) {
    cat("⚠️ 需注意：批次效应可能较强\n")
  } else {
    cat("✅ 批次效应在可接受范围\n")
  }
  return(rsq)
}

避坑提醒：我曾经遇到过一个情况——PCA图上批次之间几乎没有分离，但一做差异分析，发现几百个显著的基因全部与生物条件无关，而是跟样本收集的月份完美对齐。这说明批次效应不一定总能在降维图上暴露出来，尤其是当批次和生物学变量高度相关时（比如对照组在周一收集、处理组在周五收集），PCA反而可能“隐藏”问题。所以，可视化只能作为排查的第一步，最终还是要靠统计检验来确认。

讲到这里，你应该对批次效应从哪来、怎么识别、为什么会影响下游分析有了比较清晰的认识。嗯，说实话，批次效应这玩意儿有点像病毒——你越早发现它，处理它的成本就越低。等到分析都做完了再来追根溯源，就非常被动了。