3. 批量校正方法概述（SVA, ComBat, limma 等）

好，咱们这一章直接聊工具。做批次校正这么多年，我用过不下十种方法，但真正能在实际项目中站稳脚跟的，其实就那么几个。我自己的习惯是，先别急着调参，先把每种方法的脾气摸清楚——它们适合什么场景、有什么硬伤、什么时候千万别用。

你想想看，批量校正赛道里，主流的流派大概有三支：SVA（Surrogate Variable Analysis）、ComBat（Combatting Batch Effects）、以及limma 的线性模型族。此外还有 RUV（Remove Unwanted Variation）、Harmony 等等，但最基础、最常用、最不容易翻车的，就是前三个。我们逐一说。

3.1 SVA：用代理变量抓隐形批次

SVA 是我个人非常喜欢的一类方法。它的核心思想很简单——既然批次效应往往和实验时间、操作人员、试剂批次这些隐藏因素挂钩，那我们就先不问批次标签，直接从表达矩阵里估算出“代理变量”（surrogate variables），再把它们当作协变量回归掉。

我记得在 2020 年做过一个多中心转录组整合项目，每个中心送样时都没记录具体批次信息。我当时想，完了，没法用 ComBat 了，因为 ComBat 需要显式的批次列。后来换成了 SVA，用 sva 包的 num.sv() 先估一下代理变量个数，再用 sva() 提取，最后加到线性模型里。效果出奇地好，批次聚类在 t-SNE 上看几乎消失了。

但注意，SVA 有一个大坑——它可能会把真正的生物学差异也当成批次去掉。我曾经遇到过在估计代理变量个数时，如果设置 alpha = 0.05 太宽松，SVA 会抽出 10 多个代理变量，结果把处理组之间的差异都“校正”掉了。所以我的经验是：先用已知批次标签做验证，再决定代理变量个数。

3.2 ComBat：最常用的批量校正“标杆”

ComBat 算是批次校正界的“万金油”。它的底层假设是：不同批次间的表达分布可以通过位置（均值）和尺度（方差）参数来对齐，并且这些参数可以用经验贝叶斯（Empirical Bayes）方法来稳健估计。说白了，ComBat 先估算每个基因在每个批次的偏移和缩放，再把这些偏移缩放到同一个基准。

我用 ComBat 处理过至少上百个数据集，几乎每次都能稳定地去除批次效应——只要你有明确的批次列。最舒服的是 sva 包里的 ComBat() 函数，一行代码搞定参数估计和校正。

library(sva)
corrected_matrix <- ComBat(dat = expression_matrix, 
                           batch = batch_vector,
                           mod = model.matrix(~ group),
                           par.prior = TRUE,
                           prior.plots = FALSE)

要注意 mod 参数。如果你不做生物学分组回归，ComBat 会默认把组间差异也当成批次。所以我在项目中一定会在 mod 里传入实验设计矩阵，告诉 ComBat：“这些生物学变量必须保留”。

3.3 limma：用线性模型“阻挡”批次

严格来说，limma 不是专门的批次校正方法，而是一个差异表达分析工具。但因为我们可以在 limma 的线性模型里直接把批次作为协变量放进去，所以它也能起到“校正”效果。做法就是把批次列转为因子，加到 model.matrix 中，然后对每个基因做 lmFit + eBayes，最后得到的残差或调整后的表达值就可以看作“校正后”的数据。

我个人的看法是：如果你只是想跑差异分析而不是做数据整合，直接用 limma 加批次协变量就足够了，不要先校正再跑差异——两步法会增加检验自由度损失。但如果你需要输出校正后的表达矩阵供下游聚类、分类用，那 limma 这一步就不太方便，因为它不会直接给你一个“清理过的矩阵”。

一个典型的 limma 批次校正写法是这样的：

design <- model.matrix(~ batch + group)
fit <- lmFit(exprs, design)
# 你可以用 getBias() 或 residuals() 提取去除批次效应后的表达

这里有个容易犯的错误：有人会把 batch 和 group 交互项也放进去，导致过拟合。除非你有充分的生物学理由认为批次和分组有交互作用，否则不要加。

3.4 其他方法简介

除了上面三个，还有几个常用的，我快速提一下：

• RUV (Remove Unwanted Variation)：和 SVA 类似，也是找隐藏变量，但需要你提供“负对照基因”（稳定表达的基因）或“负对照样本”。适合单细胞或空间转录组。
• Harmony：专为单细胞整合设计，用迭代聚类的方法对齐细胞簇，不适合批量转录组。
• limma::removeBatchEffect()：一个简便函数，能直接输出校正后的矩阵，但会牺牲一些统计自由度。

3.5 核心方法对比

我把最常用的三种方法整理成了一张对照表，方便你快速选择：

3.6 方法选择决策流程

下面的 SVG 流程图是我在项目中常用的决策路线。你可以直接对照自己的数据情况来选：

3.7 总结：没有银弹，但有经验

本章说到这儿，你应该已经感受到：没有一种方法能通吃所有场景。我自己的建议是：

• 如果你手上有明确的批次列并且只想快速得到可用的校正矩阵→ComBat。
• 如果你不知道批次来源，但样本量足够大，想挖掘隐藏的批次因子→SVA 或 RUV。
• 如果你目标就是做差异分析，不需要输出校正矩阵→直接用 limma 在模型里控制批次。
• 千万不要在明知小样本的情况下用 SVA，也不要过度依赖后调参——我觉得多做几种方法的对比 PCA 图，比你读十篇论文都有用。