📚 课程目录第1章 ComBat校正简介

第1章：ComBat校正简介——背景与动机

做生物信息学或统计学的朋友，一定对批次效应不陌生。说白了，就是同一批样本，因为实验时间、操作人员、试剂批号、测序仪型号不同，数据里就会混入一些“假信号”。

我刚开始处理高通量数据时，就被这玩意儿坑过。一个差异表达基因列表，本来以为找到了新靶点，结果换个批次重新跑一遍，那基因差异就消失了。后来才知道，那是批次效应捣的鬼。

ComBat（Combating Batch Effects）就是专门用来干掉这个鬼东西的算法。它最早由哈佛大学的Johnson等人提出，用于基因表达芯片数据的批次校正。后来被扩展到甲基化、蛋白组、代谢组等各种组学数据。咱们这门课，就是教你如何把ComBat这工具用到极致，调参调出最佳效果。

批次效应到底有多烦？

先看个现实场景。假设你在做肿瘤转录组研究，样本来自三个医院。A医院用Illumina HiSeq 4000，B医院用NovaSeq 6000，C医院用的平台你都不确定。你把三个批次的表达矩阵一合并，用PCA一看——样本根本没按肿瘤类型聚类，而是按医院扎堆。这就是批次效应的经典症状。

我参与过一个多中心甲基化研究项目，当时从四个中心收了800多份样本。因为样本收集时间跨度长达两年，加上芯片版本升级，我们做的第一个QC图就让我心凉了半截。不过好在有ComBat，调了几次参数后，校正效果肉眼可见。

为什么批次效应这么常见？因为现代组学实验涉及的环节太多了：

样本处理：提取时间、保存条件、操作人员不同
测序平台：不同机型、不同试剂盒版本
数据处理流程：比对参数、归一化算法的小差异
环境因素：实验室温度、湿度波动的累积影响

这些因素单独看可能不显著，但累积起来，就能在数据层面形成明显的“批次标签”。

ComBat究竟做了什么？

ComBat的核心思想很直接：假设每个特征（比如每个基因的表达量）都受到批次效应的影响，而这种影响可以被分解为加性偏移和乘法缩放。换句话说，每个批次都有自己的“系统性偏差”。

它采用经验贝叶斯框架，利用所有基因的信息来稳定地估计这些批次的均值和方差偏移。这句话有点绕，我用大白话翻译一下：

先算出每个批次内部，每个基因的均值和标准差
再利用所有基因的信息，对每个批次偏差做一个“收缩估计”
最后把批次之间的差异看做是噪声，从原始表达量里减掉这个偏移，再按比例缩放一下

嗯，这里要注意：ComBat假设批次效应与生物效应是加法可分离的。如果批次效应和生物效应存在复杂的非线性交互作用（比如批次改变了某个通路的结构），ComBat可能会搞不定。不过在实际项目中，这个假设对大多数组学数据是合理的。

一个具体的例子

我用R语言的sva包做个演示。假设你有两个批次的表达矩阵：

library(sva)
# adj_var 是你要保留的生物协变量，比如疾病状态
# batch 是批次标签向量
combat_data <- ComBat(
  dat = expression_matrix,
  batch = batch_labels,
  mod = model.matrix(~ disease_status + age),
  par.prior = TRUE,
  prior.plots = FALSE
)

我习惯在跑ComBat之前先看一眼原始数据的PCA图。校正完再用同样的PCA画一次，两个批次点如果能混在一起，说明校正有效。如果还是分的很开，那就要考虑参数问题了——后面几章会详细讲。

小技巧： 跑ComBat之前，一定先把表达数据log2转化。ComBat的模型假设数据呈正态分布，原始count数据往往是偏态的，log2处理后更符合假设。我见过不少新手直接拿raw count去跑，结果校正完反而引入了伪差异。

为什么需要调参？

你可能会问：ComBat不是开箱即用吗？为什么还要调参？

确实，ComBat的默认参数在大多数情况下能正常工作。但现实世界的数据哪有那么听话。我遇到过这些情况：

批次数量太少：只有两个批次，经验贝叶斯估计不够稳健
生物效应与批次高度混淆：所有case样本都在批次1，所有control都在批次2，你没法区分是生物差异还是批次差异
数据维度不匹配：基因数几万个，但样本数只有几十个，参数估计容易过拟合
特殊数据类型：比如甲基化beta值（0~1范围），不调整参数直接硬套出问题

每一个问题背后，都需要通过调整ComBat的参数来解决。par.prior参数选参数化还是非参数化先验？mean.only要不要只校正均值？要不要传入协变量矩阵？这些选择直接影响校正质量。

我曾经接手过一个项目，合作方用默认参数跑完ComBat，结果一些known生物学markers反而被校没了。我们复盘后发现，那是因为协变量矩阵没包含重要的临床因素，ComBat误把真实的生物信号当成了批次效应。把协变量补全后，校正结果才合理。

参数	含义	建议调整场景
`par.prior`	是否使用参数化先验（TRUE/FALSE）	样本量少或数据严重偏离正态时试试FALSE
`mean.only`	是否只校正均值（不移方差）	批次间方差差异不大时用TRUE，否则FALSE
`mod`	协变量矩阵	一定要包含生物学感兴趣的变量和已知confounders
`eb`	是否使用经验贝叶斯收缩	批次数量少时保持TRUE，否则可考虑FALSE做简单校正
`ref.batch`	是否指定参考批次	需要保持某个批次原始分布时使用

本章核心知识图

下面这张图把ComBat校正的动机和流程串起来。你看看，批次效应来自实验各环节，经过ComBat计算加性偏移和乘法缩放，最终输出校正后的数据。调参就是影响这两个偏移的估计过程。

什么时候该用ComBat？

不是所有批次问题都要上ComBat。我个人建议考虑以下条件：

数据集包含两个及以上明确可区分的批次
你关心的生物效应在整个数据集里都有分布（即每个批次里都有case和control）
批次之间的差异明显影响了下游分析（PCA、聚类能看到批次分离）
你的数据量足够大——每个批次至少要有3~5个样本，否则经验贝叶斯估计可能不靠谱

避坑指南： 切勿对只有一个样本的批次使用ComBat。我曾经见过有人把某个组织只有1个样本的数据跟其他批次合并，结果那个样本被严重扭曲，反而成了离群点。如果批次里样本太少，考虑先舍弃那个批次，或者用其他简单校正方法（比如Z-score逐特征标准化）。

本章小结

批次效应是多中心、多批次组学研究的头号敌人。ComBat通过经验贝叶斯框架，稳健地估计并消除批次间的均值和方差偏移。调参就是为了让这个估计更贴合你的实际数据特性。