置换检验与批次校正校验的结合思路

批次校正搞完，不是拍个手就完事的。你得确认校正有没有“矫枉过正”，或者压根没校到位。我习惯的做法是——把置换检验请过来，给校正结果做个严格体检。

为什么非要用置换检验？

批次校正方法（比如 ComBat、limma）本身是参数模型，会假设数据符合某种分布。但实际数据往往不听话——异质性、离群点、批次效应非对称，这些都会让模型假设崩掉。你直接看箱线图、PCA 觉得“好像好了”，但统计上到底过没过？说不准。

置换检验的好处是不依赖分布假设。我有个项目，校正后 PCA 看起来混在一起了，但真实生物差异也被抹掉了一部分。幸亏当时做了置换检验，发现统计量显著偏离零分布，赶紧调了校正参数。嗯，从那以后我再也不敢只看图了。

核心思路：把“校准后的批次效应”变成可检验的假设

说白了，我们想回答一个问题：

校正之后，样本的批次标签对表达值的影响，还显著吗？

如果校正彻底，批次标签应该没有解释力——也就是说，用批次标签做分组变量，组间差异应该接近随机。置换检验刚好能模拟这个随机过程：把批次标签打乱，看真实分组下的统计量处于打乱后分布中的什么位置。

我常用的三种统计量设计方法

统计量选得不好，置换检验等于白做。分享一下我在几个真实数据集里的经验。

置换检验流程（结合批次校正校验）

每次做这个流程，我都写一个简单的管道脚本，下面是个伪代码风格的步骤。

1. 输入：校正后表达矩阵，样本批次标签
2. 计算真实统计量 T_real
   - 比如：按批次分组，计算批次间方差 / 批次内方差 → F值
3. 设定置换次数 N（建议 ≥ 1000）
4. 循环 i in 1:N:
   a. 打乱批次标签（随机重排）
   b. 用打乱后的标签重新计算统计量 T_perm[i]
5. 统计 T_perm 中 ≥ T_real 的比例 → 得到 p 值
6. 决策：若 p < 0.05，说明批次效应仍显著 → 校正不足

你看，逻辑上很简单。但真正跑起来有几个坑，我挨个说。

避坑指南

• 注意标签结构：如果批次内还有生物分组，打乱时不能破坏配对关系。我习惯用“区块置换”或“保持分组内置换”。
• 多重检验：如果你同时检验好几万基因的校正效果，那就需要对 p 值做 FDR 矫正。我个人习惯用 Benjamini-Hochberg。
• 计算耗时：几十个样本、几万个基因，1000 次置换 × 计算统计量，还是挺吃内存的。我一般先随机抽几千个基因做快速探查，确认趋势后再全量跑。

流程图：整个结合思路一目了然

下面这张 SVG 把从原始数据到决策的全流程串起来了，方便你贴在项目报告里用。