📚 课程目录第2章生物学变异的基本概念

2. 生物学变异的基本概念归纳总结

生物学变异这个概念，说白了就是样本之间天然存在的表达差异。同一物种、同一组织、同一处理条件，不同个体之间基因表达就是不一样——这不是技术问题，而是生物学本质。

我刚开始做RNA-seq那几年，经常把生物学变异当成"数据脏"，总想着用什么方法把它抹平。后来吃过几次亏才明白：你如果连真正的信号长什么样都认不出来，后面所有分析都是在跟影子打架。

2.1 生物学变异到底是什么？

先给一个干净的定义：生物学变异（Biological Variation）是指由于个体遗传背景、生理状态、发育阶段、环境应答等内在因素导致的基因表达水平差异。它不是仪器漂移，不是试剂批次不同，不是操作人员手抖——它就是你想研究的那部分真实信号。

很多人会把生物学变异和批次效应混为一谈。我见过最典型的场景：PCA图上看到样本按某个临床特征聚成了两群，有人二话不说就上ComBat去"矫正"，结果把真实的疾病亚型差异给矫正没了。嗯，这种教训一次就够你记住一辈子。

核心区别一句话： 生物学变异是你想捕捉的生物学信号，批次效应是混进来的技术噪音。信号要保留，噪音要剔除。

下面这张表把区别拆开来看：

对比维度	生物学变异	批次效应
根本来源	个体差异、细胞状态、处理条件	试剂批次、操作人员、测序仪
本质属性	真实生物学信号	技术系统偏差
重复实验中的表现	组内一致、组间差异有生物学意义	同一批次内相似、批次间系统偏移
对分析结果的影响	提供生物学洞察和可解释性	引入假阳性或掩盖真实差异
处理方法	通过实验设计和统计建模保留并利用	通过矫正算法或分层分析去除
是否应该去除	绝对不能	必须处理

2.2 三类核心生物学变异

在我经手的项目里，生物学变异通常可以归纳为三大类。每类的来源、量级和处理方式都不太一样。

第一类：个体间变异

这是最直观的。两个人、两只小鼠、两株田间水稻，基因表达天生就有差异。遗传背景、性别、年龄、生活环境都会造成影响。我在分析TCGA肿瘤数据时发现，不同患者的同一种癌组织，免疫相关基因的表达量可以差10倍以上——这就是纯粹的个体间生物学变异。

第二类：细胞状态与时间动态变异

同一个体、同一组织里，细胞也不是铁板一块。细胞周期阶段、分化状态、昼夜节律、疾病进展时间点，都会带来表达谱的波动。做时间序列实验时，这类变异尤其明显。

第三类：处理条件与分组变异

这恰恰是我们做实验最想捕捉的那部分信号。给药组 vs 对照组、基因敲除 vs 野生型、处理前 vs 处理后——这些组间差异才是实验设计的核心目标。

我个人的判断习惯： 拿到一个新数据集，我通常会先问自己三个问题——这种差异在不同个体间是否稳定再现？是否有已知的生物学解释？是否有独立文献支持？如果三个答案都是"是"，那大概率是真的生物学变异。

2.3 生物学变异怎么量化？

光定性还不够，得有个数来衡量。我个人习惯用变异系数（Coefficient of Variation, CV）来快速评估一个基因或一个样本组的生物学变异程度。

CV 的计算很直接：

CV = 标准差 / 平均值

在R里跑起来就几行代码的事：

# 计算每个基因的生物学变异系数
calc_cv <- function(expr_vector) {
  sd(expr_vector) / mean(expr_vector)
}

# 对表达矩阵按行计算CV
gene_cvs <- apply(expr_matrix, 1, calc_cv)

# 看下整体分布
summary(gene_cvs)

# 筛选高变异基因（通常CV > 0.3 就需要关注）
high_var_genes <- names(gene_cvs[gene_cvs > 0.3 & !is.na(gene_cvs)])

CV 的好处是去量纲化，不同基因、不同数据集之间可以横向比较。我一般会用 CV > 0.3 作为一个经验阈值——低于这个值的基因在群体中相对稳定，高于这个值的基因可能携带重要的个体间差异信号。

更严谨的做法是用方差分解（Variance Partition），把总方差拆成"组间方差 + 组内方差"。组间方差占比越大，说明生物学变异越显著。

2.4 最容易踩的坑：把生物学变异当成批次效应

这个坑我亲眼见过太多次，自己也踩过。就拿时间序列数据来说吧：

场景一：时间序列的"假批次"

同一个病人，治疗前、治疗后1个月、治疗后3个月分别取样测序。PCA一看，三个时间点分成了三群。有人觉得"这不是时间效应，肯定是三次测序的批次不同"，然后一通矫正，把真实的治疗响应信号给抹掉了。

场景二：配对样本的"假偏移"

肿瘤组织和癌旁组织本来就是同一个病人的两种状态，它们之间的差异就是你要找的东西。有人却觉得"肿瘤和癌旁表达差异太大了，可能是批次问题"——这种想法其实是在跟自己过不去。

我曾经犯过的错： 有次分析一批小鼠肝组织数据，给药组和对照组在PC1上分得很开。我第一反应是"两组样本是不是送测时间不一样？"查完记录发现确实差了两个月。我差点就上了批次矫正，但后来仔细看了差异基因列表——全是药物靶点通路相关的基因。如果是批次效应，基因应该随机分布，不可能集中富集在特定通路上。从那以后，我养成一个习惯：在做任何批次矫正之前，必须先做一轮生物学功能富集分析。

判断是不是批次效应，有几个检验方法：

看差异基因是否富集在特定生物学通路（是→生物学变异；否→可能是批次效应）
看是否有独立文献或数据库支持这种差异（是→生物学变异；否→存疑）
看组内样本是否在实验处理上有一致的生理变化（是→生物学变异；否→需警惕）

2.5 处理生物学变异的正确姿势

既然生物学变异是信号不是噪音，那分析策略上就要"利用"而不是"消除"。我从两个层面来说：

实验设计层面

保证足够的生物学重复： 每个条件至少3～5个生物学重复，否则你无法区分个体间变异和处理效应。
随机化和分块设计： 把不同处理组的样本均匀分布在每个测序批次里，避免处理效应和批次效应完全混杂。
记录关键协变量： 年龄、性别、体重、采样时间、RNA完整性等，这些在后续建模时都能帮你解释变异来源。

统计建模层面

用线性混合模型（如 limma、DESeq2、edgeR）： 把生物学个体作为随机效应，处理条件作为固定效应，模型会自动帮你分离不同来源的变异。
不要盲目用全局批次矫正： 像 ComBat 这样的工具是为消除技术批次设计的，用在生物学分组上会严重破坏真实信号。
PCA + 生物学注释联动： 每次看PCA图都同步查看哪些基因驱动了主成分，如果这些基因有明显的生物学功能富集，那大概率是真实的生物学变异。

我建议的流程： 拿到一个新数据集，先做PCA + 层次聚类，看样本是否按实验分组自然聚集。如果自然聚集，说明生物学变异足够强，后续分析应该以差异表达为主，不要动批次矫正。如果样本按测序批次聚集，再考虑技术批次矫正。

这张图把生物学变异的内部结构拆清楚了。从上往下看，根节点是总括，三个分支对应三大来源，每个分支下面再细分具体驱动因素。底部说明框是我希望你刻在脑子里的判别原则——遇到样本间差异时，先对号入座，别急着动手矫正。