2、批次效应检测方法：PCA、热图、变异来源分析归纳总结

拿到一份多批次的数据集，别急着上校正。我个人的习惯是——先搞清楚批次效应到底存不存在，严重到什么程度。这才是后续选择校正方法的前提。

你可能会问：“怎么看？用眼睛扫一下散点图行吗？”嗯，没那么简单。今天我就把三种最常用的检测方法串起来讲清楚：PCA、热图、变异来源分析。它们各有侧重，结合起来用才能做判断。

2.1 PCA – 降维看趋势

PCA（主成分分析）是我最常用的第一板斧。说白了就是把高维表达数据压缩到两三个主成分，然后投影到平面上看样本的分布情况。

我在一个多中心的RNA-seq项目中遇到过——用PCA一看，PC1就把医院A和医院B的样本完全分开了，PC1解释的方差竟然超过40%。当时我就知道，不校正根本没法做差异分析。

画PCA图的代码很简单。拿R为例：

# 假设 expr 是基因表达矩阵（基因×样本），batch 是批次标签
pca <- prcomp(t(expr), scale. = TRUE)
pca_df <- as.data.frame(pca$x)
pca_df$batch <- batch
library(ggplot2)
ggplot(pca_df, aes(x = PC1, y = PC2, color = batch)) +
  geom_point(size = 3) + theme_minimal()

2.2 热图 – 层次聚类+颜色矩阵

热图的思路更直观：把表达矩阵按样本（列）和基因（行）做层次聚类，然后用颜色深浅表示表达量高低。如果批次效应存在，你会看到样本聚类树上有明显的批次块。

举个例子——我曾经处理过一个微阵列数据集，热图上一眼就能看到两个大分支，左边全是批次1，右边全是批次2，中间只有寥寥几个基因的差异。这就是典型的强批次效应。

R里画热图推荐用 pheatmap 或 ComplexHeatmap：

library(pheatmap)
# expr 是基因表达矩阵（行基因，列样本）
# 添加批次注释
annotation_col <- data.frame(batch = batch)
rownames(annotation_col) <- colnames(expr)
pheatmap(expr, annotation_col = annotation_col,
         scale = "row", clustering_distance_cols = "euclidean",
         show_rownames = FALSE, show_colnames = FALSE)

2.3 变异来源分析 – 用数字说话

PCA和热图靠视觉判断，主观性太强。变异来源分析才是硬核定量方法。核心思路是把表达量的总方差拆解成“批次方差”“生物学变量方差”“残差方差”，然后比较它们各自的占比。

常用的方法有：

• ANOVA：对每个基因做线性模型，提取批次因子解释的方差比例（R²）。再取中位数或均值作为全局评估。
• SVA（Surrogate Variable Analysis）：自动估计潜在的未观测到的变异来源，包括批次效应。
• RUV（Remove Unwanted Variation）中的RUVg方法：利用负对照基因评估隐藏变异。

我个人偏爱先跑一个混合线性模型，看看批次随机效应的方差分量：

# R 代码示例：每个基因做lmer，提取批次方差占比
library(lme4)
gene_var <- function(gene_vec, batch, condition) {
  fit <- lmer(gene_vec ~ condition + (1|batch))
  var_comp <- as.data.frame(VarCorr(fit))
  batch_var <- var_comp$vcov[1]
  total_var <- batch_var + var_comp$vcov[2] + attr(VarCorr(fit), "sc")^2
  batch_var / total_var
}
batch_var_ratio <- apply(expr, 1, gene_var, batch=batch, condition=condition)
median(batch_var_ratio)

如果这个中位数超过0.3（30%），那批次效应就非常严重了——这时候必须用ComBat或RUV这样的强校正方法。

2.4 综合判断流程

光用一种方法不够可靠。我总结了一个“三步走”流程，用下图表示：

具体怎么操作？我的建议是：

1. 先跑PCA，看看有没有明显的批次分离。
2. 再画热图，确认聚类树的分支是否对应批次。
3. 最后算变异来源占比，获取定量证据。
4. 如果至少两种方法都显示存在批次效应，那就不用纠结了——赶紧准备校正吧。

2.5 三种方法对比总表

方法	优势	局限	适用场景
PCA	快速直观，能发现非预期的批次结构	易受离群点影响，低方差维度可能掩盖真实信号	初步探索、多批次对比
热图	同时展示基因和样本的聚类关系	基因数选择敏感，颜色映射可能误导	确认聚类结构、检查离群样本
变异来源分析	定量、可重复，支持统计推断	计算量大，需要设定线性模型	批量对比、严谨报告、选择校正方法前的最后确认

2.6 避坑指南

我踩过不少坑，挑三个最疼的说给你听：

• 陷阱一：只看PCA就下结论。 我曾经遇到过PCA图上批次完全混在一起，但热图却显示样本按批次分成了两个亚群。原因是批次效应主要影响低表达基因，PCA被高表达基因主导了。所以一定要多方法交叉验证。
• 陷阱二：忘记检查生物学变量。 如果批次和疾病分组完全混杂（比如批次1全是病人，批次2全是健康人），PCA和热图都会显示明显的分组——但这其实是生物学差异，不是批次效应。这时候需要用变异来源分析把批次和条件都放进模型，分离出独立的批次方差。
• 陷阱三：盲目相信p值。 大样本下，ANOVA的p值很容易显著，但实际方差占比可能只有2%。我个人的习惯是：p值只是一个参考，真正要看的是效应量（R²或方差分量）。