1. 批次效应概述：定义与重要性

大家好，欢迎来到这门课。咱们开门见山，先聊聊批次效应到底是什么玩意，为什么它能让一篇好好的论文瞬间翻车。

我个人习惯把批次效应叫做「数据里的幽灵」。你看不见它，但它确实存在。你跑差异表达、做聚类、画热图，结果漂亮得不行，以为发现了新生物标记——结果一查，组间差异全是不同批次导致的假象。嗯，这事儿我见过太多次了。

1.1 批次效应的定义

说白了，批次效应就是：样本在不同时间、不同试剂、不同操作人员、不同仪器等条件下处理，导致测量结果中混入了与生物学无关的系统性偏差。

举个例子。你手上有 10 个肿瘤样本和 10 个正常对照。肿瘤样本是上星期提取 RNA、这星期建库测序的；正常对照是三个月前就搞定的。最后差异基因跑了 2000 个出来，你觉得这是癌症标志？

不一定。大概率是那三个月里，试剂换了批次、试剂盒版本升级了、甚至实验室空调维修导致温度波动，所有正常样本被齐刷刷地「平移」了一段。你看到的差异，其实是批次差异。

1.2 批次效应从哪来？—— 一个实用清单

我以前在学生时期觉得批次效应离我很远，直到有一次处理一个 200 例的大项目……

事情是这样的：项目分了 6 个批次做建库，每批次大概 30 多例样本。我以为流程都一样，直接合并跑 DE 分析，结果 PCA 图上 6 个批次完美分成了 6 坨。我当时就懵了——这哪是生物学差异，这是「批次艺术展」。

你想想看，哪些环节最容易埋雷？

阶段	常见批次源	我的个人教训
样本收集	不同采集时间、储存时间、冻融次数	同一个项目，血液样本有的放 -20°C 一个月，有的放 -80°C 半年——活活分出两个群
RNA 提取	试剂批号、提取试剂盒型号、操作人员	换了一个批号的 TRIzol，RIN 值的分布都变了
建库	建库日期、试剂盒版本、PCR 循环数	早期我用 12 个循环，中期改 15 个——结果基因表达量整体漂移
测序	不同 flow cell、不同 lane、不同测序仪	同一个项目混用 HiSeq 和 NovaSeq，GC 含量都不同
数据分析	不同版本比对工具、参数、参考基因组	从 hg19 换到 hg38 没同步处理旧样本，坐标都不对

1.3 批次效应为什么重要？—— 三个层面

我刚开始做 RNA-seq 分析时，总觉得「批次效应是统计学家的事，我只管找差异基因」。直到被审稿人怼过一次，才明白它的分量。

1. 统计推断层面
   批次效应会放大假阳性率。你跑 t 检验，p < 0.05 的基因里可能有一大半只是因为批次差异。说白了，你把噪声当成了信号。
2. 生物学解释层面
   我曾在项目中遇到过——一个 miRNA 表达谱，用两个批次做的，结果两个批次分别聚类到两个不同的生物学通路。如果没发现批次效应，你可能会写「这批病人存在两个分子亚型」——纯属扯淡。
3. 可重复性层面
   这才是最要命的。你出了结果，别人重复不出来。为什么？可能是人家的批次分布和你的完全不同。这会让你的结论失去通用性。

1.4 怎么识别批次效应？—— 我常用的三板斧

其实你不需要复杂的统计模型，先用眼睛看。这三招我几乎每个项目都会用：

• PCA 看图：点图上用颜色标记批次。如果同一批次的点扎堆，不同批次的分开，基本实锤。
• 层次聚类热图：样本聚类树上一眼就能看出批次结构。如果控样本先按批次聚，再按分组聚——你摊上事了。
• 箱线图看分布：拿出几个高表达基因，按批次分箱画箱线图。如果中位数、四分位距差异明显，就说明有系统性偏移。

1.5 批次效应的核心逻辑 —— 一张图说清楚

1.6 一个小例子：怎样快速检查你的数据有没有批次效应

我用 R 语言做过最简单的一次检查，大概就四五行代码：

# 假设 expr 是表达矩阵，batch_vec 是批次向量
pca_res <- prcomp(t(expr), scale. = TRUE)
pca_df <- data.frame(PC1 = pca_res$x[,1],
                     PC2 = pca_res$x[,2],
                     Batch = batch_vec)

library(ggplot2)
ggplot(pca_df, aes(x = PC1, y = PC2, color = Batch)) +
  geom_point(size = 3, alpha = 0.8) +
  theme_minimal()

如果你看到点图里相同颜色的点聚在一起，不同颜色的点远远分开——那就是批次效应的经典信号。我曾经在一个 TCGA 项目里试过，发现不同测序中心的数据在 PC1 上差了好几个标准差，二话不说立刻加上了批次校正步骤。