1. 批次效应概述与RUVseq简介

1.1 批次效应是个什么东西？

先讲个我的亲身经历吧。

几年前，我处理过一批来自两家测序公司的RNA-seq数据。样本配比一模一样，都是小白鼠的肝脏组织。结果呢？用主成分分析一画——咦，样本完全按公司分成了两大坨。生物差异没看到，反倒看到了两个明显的“派系”。

这就是批次效应。简单说，就是非生物因素引起的系统性偏差。好比同一个人，用两个不同牌子的体重秤，秤出来的数字差了5斤。你说哪个准？都不准！

批次效应的来源有很多。我个人归纳下来，常见的有这么几类：

• 实验操作差异：不同人提RNA、建库，手法总有不同。
• 试剂批次不同：同一个厂家，不同批号的试剂，活性可能不一样。
• 测序平台/仪器差异：HiSeq和NovaSeq，数据特征就是不一样。
• 测序时间点不同：今天测和两周后测，环境因素都变了。
• 文库制备方法：链特异性建库和常规建库，覆盖偏好都不同。
• 保存条件：RNA提取后放多久、冻融多少次，都有影响。

说到这里，你可能要问了：那什么时候批次效应最要命？

嗯，当批次和你的生物学分组混在一起的时候。比如，所有对照组样本都在第一批测，处理组都在第二批测。你根本分不清，看到的差异到底是处理效果，还是批次带来的假象。

1.2 为什么需要特殊方法校正？

你可能会想，标准化不就行了？比如FPKM、TPM这些。

但坦白说，这些方法只能校正基因之间的长度差异和测序深度。对批次效应来说，一个关键问题没解决：不同批次里，相同基因的测序效率可能不同。FPKM算什么？它根本不知道哪个基因在两个批次里被系统性多测或少测了。

所以我们需要更高级的校正方法。RUVseq就是其中一种。

1.3 RUVseq 方法的核心思想

RUVseq的全称是Remove Unwanted Variation。它的核心逻辑是什么呢？

我打个比喻吧。你有一张照片，上面有雾霾（批次效应），你拍不到清晰的建筑（生物学信号）。怎么办？你得找一些参照物。这些参照物你应该知道它们长什么样，哪怕被雾霾遮住了，你也知道它们本来该长什么样。

在RNA-seq里，这些参照物就是对照基因或对照样本。RUVseq通过它们来估算“雾霾”的强度，然后把它从数据里减掉。

更具体地说，RUVseq有这么几个关键要素：

组件	含义	说明
W	隐含的批次因子	RUVseq自己估计出来的“批次特征向量”
k	待估计的批次因子数量	你想保留几个隐含批次维度？这是调参的关键
negCtrl	阴性对照基因	理论上不受生物学条件影响的基因，用作校正参考
ctl	也可以指示对照样本	在一些变体里，用已知“无差异”的样本来帮忙

说白了，RUVseq帮你找到了数据里隐藏的“批次方向”，再用这些方向来调整每个基因的表达量。校正后，生物学差异更干净。

1.4 RUVseq 的四个变体

RUVseq包提供了四种实现方式。你别被名字吓到，核心思想都差不多，区别在于对照信息怎么给。我简单列一下：

• RUVg：用基因做参照。你指定一组“不该有差异”的基因（比如管家基因，或假基因），RUVg用它们来估计批次因子W。
• RUVs：用样本做参照。你需要提供一批“同样的样本在多个批次里重复测”的数据，用来估计W。这在有技术重复的项目里很好用。
• RUVr：用残差做参照。你先跑一遍差异分析，把那些残差大的基因（富集了系统偏差的基因）拿来做对照。
• RUVresiduals：简单粗暴，直接返回残差矩阵。我用的不多，但做诊断的时候很有用。

你看，它们都需要一个“对照集”。RUVg靠的是你自己的生物学知识，RUVs靠的是重复样本，RUVr靠的是统计残差。哪个好？看你手头有什么数据。我习惯先试RUVg，因为它最直观。

1.5 一个完整的流程概览

我把整章内容用一张图总结一下。看完你就知道RUVseq在哪儿用、怎么用了。

流程不复杂。你检测到批次效应后，准备好对照基因列表，选一个RUV变体，跑起来，然后检查结果。调参的核心就是那个“k”值——到底数据里藏了几个批次因子？

嗯，这个问题，我们在后面的章节会详细讲。

1.6 什么时候RUVseq不适用？

你也别觉得RUVseq是万能药。我列几个它管不上的场景：

• 批次和分组完全混杂：校正方法都救不了，因为没法区分W和生物学信号。必须从实验设计上改。
• 对照基因选错了：你选的内参基因本身在条件间有差异——那RUVseq会把真正的生物学差异也一起减掉，过度校正就来了。
• 样本量太小：少于3个样本/组，统计估计不稳定，W算不准。