第四节：常见批次效应校正方法简介

好，咱们直接进入正题。批次效应这东西，说实话，就像你实验室里那个总出毛病的离心机——你知道它有问题，但一时半会儿还换不掉。那怎么处理呢？市面上有几种主流方法，我挨个儿给你盘盘。

我个人习惯把这几种方法分成两类：一类是“事前预防”，也就是实验设计阶段就考虑到；另一类是“事后补救”，数据都拿到手了，再用统计手段去抠。今天咱们重点聊事后补救，因为这些才是你我现在最需要的。

4.1 最经典的 Combat

如果你去问一个做了十年生信的老手：“处理批次效应，你最常用什么？”十有八九他会回答——ComBat。这玩意儿来自一个叫 sva 的 R 包，全称是 Combining Batches。

它的核心逻辑是什么？说白了就是假设每个批次有自己的“均值”和“方差”，然后通过经验贝叶斯方法，把这些差异给抹平。我最初接触 Combat 时，也觉得这不就是标准化吗？但实际上它更精细——它考虑到了基因本身的表达强度。

适用场景：ComBat 对于样本量较大的数据集效果特别好，尤其是那种有几十个样本、三四个批次的情况。我在项目中遇到过，用 Combat 处理后的数据，PCA 图上原本分裂的批次直接合拢，效果非常明显。

4.2 RUV（Remove Unwanted Variation）

RUV 是另一条路子。它的思路是：我不用去猜批次到底带来了什么影响，我直接找一批“负对照基因”——也就是那些理论上不应该受实验条件影响的基因（比如持家基因）。

然后，RUV 通过这些基因来估算出隐藏的“噪音因子”，再把它们从所有基因中剔除。你想想看，这其实挺聪明的。它不需要你事先知道批次信息，甚至不需要你定义批次变量。

注意：RUV 对负对照基因的选择非常敏感。我曾经在一次 RNA-seq 分析中偷了个懒，直接用默认的基因列表，结果校正后的数据反而出现了新的假阳性。所以，“选对对照”是这步的关键。

4.3 Harmony 算法

Harmony 是这几年新冒出来的方法，最早是为单细胞数据设计的，但现在很多人也拿来处理批量 RNA-seq。它的原理有点意思——通过一种“最大多样性聚类”的方式，把不同批次的样本往一起拽。

我记得第一次用 Harmony 时，心里还在嘀咕：这东西靠谱吗？结果一跑下来，UMAP 图上原本分属不同批次的那几坨细胞，愣是揉到了一起。而且 Harmony 的一大优点是——速度快。数据量越大，它的优势越明显。

方法 核心原理 适合场景 局限
ComBat 经验贝叶斯，调整均值和方差 批量 RNA-seq，样本量大 对批次信息要求明确
RUV 借助负对照基因估计噪音因子 不知道批次来源时 对照基因列表质量影响大
Harmony 最大多样性聚类后对齐 单细胞、大规模多批次 对极端差异批次效果一般
limma-voom 线性模型中直接纳入批次因子 差异表达分析流程一体 批次因子在模型中占自由度

4.4 limma-voom 的特殊地位

聊到这儿，你可能注意到了——limma-voom 我单独列出来了。为什么？因为它是咱们这整个课程的核心。Combat 也好，RUV 也好，多数时候是作为一个预处理步骤单独跑。但 limma-voom 不一样，它直接把“批次”作为一个协变量放进线性模型里，在差异表达分析的同时就把批次效应给处理了。

这是一个很优雅的做法。你不必分成两步走：先校正批次，再做差异分析。你一步就搞定了。而且 limma-voom 对 RNA-seq 的计数数据做了特别优化——先用 voom 把计数转化成 log-CPM 并估计权重，再套用 limma 的线性模型框架。

什么时候选 limma-voom？如果你要做差异表达分析，而且批次信息明确、样本量不是特别小（每组至少 3 个样本以上），我个人强烈推荐直接用它。省事、鲁棒、结果好解释。

你可能会问：那是不是有了 limma-voom，其他方法就不用了？我的建议是，看情况。如果你只是单纯想看数据有没有受批次影响，或者你想先画个漂亮的 PCA 图，那 Combat 或 Harmony 更适合。等正式做差异分析时，再切回 limma-voom。

常见批次效应校正方法流程对比 原始表达数据 选择校正策略 ComBat limma-voom Harmony / RUV 校正后计数矩阵 差异表达结果 校正后表达矩阵 后续差异分析统一流程 建议：预处理用 Combat/Harmony，正式 DE 用 limma-voom

4.5 避坑指南：别把方法用反了

嗯，这里要注意一个常见的误区。很多初学者会这么干：先用 ComBat 校正完数据，拿到一个“干净”的表达矩阵，然后再用 limma（或者别的包）去做差异分析。这有问题吗？表面上看起来没问题。但实际上一旦你用了 ComBat 校正，数据的分布已经被改变了，你再套 limma 的模型时，原本的 voom 权重估计会不准确。

我曾经犯过这个错。那会儿为了图省事，在一个项目中先用 ComBat 跑了全基因组校正，再丢进 limma 做差异分析。结果出来的差异基因列表，跟直接只用 limma-voom 的对比，居然有 20% 以上不一样。后来仔细查才发现，是两次“校正”互相干扰了。

避坑指南：如果你决定用 limma-voom，就别预处理阶段单独跑 ComBat 了。直接在 voom 的线性模型中加入 ~ batch 即可。两步走反而容易出问题。

4.6 不常见的“大杀器”：SVA 与 PCA 回归

除了上面几种，还有一些方法虽然不常见，但在某些特定场景下特别好使。

  • SVA（Surrogate Variable Analysis）：跟 RUV 有点像，但它不需要负对照基因，而是靠数据本身来推断隐藏变量。适合你不知道批次来源、数据又很复杂的情况。
  • PCA 回归：说白了就是先跑个 PCA，把前几个主成分当协变量放到模型里。这听着很粗暴，但很多时候效果还真不赖。

这两种方法，我个人建议在你已经试了 ComBat 和 limma-voom 都不行时，再拿出来用。简单说就是：通用性强的方法先上，实在解决不了了，再上定制化的。

4.7 选方法之前，先问自己三个问题

  1. 我的批次信息明确吗？ 明确的话，ComBat 或 limma-voom 直接上；不明确的话，优先考虑 RUV 或 SVA。
  2. 我是只做预处理，还是直接差异分析？ 只预处理选 ComBat / Harmony；全套分析直接 limma-voom。
  3. 样本量大不大？ 样本少（每组小于 3 个），经验贝叶斯方法更稳健；样本大，Harmony 速度优势明显。
最后一句：没有万能的方法。我见过有人在 3 个不同的数据集上分别用 Combat、RUV 和 limma-voom，结果完全不一样。所以我的建议是——多试几种，看 PCA 图和差异基因列表的一致性，哪个稳定用哪个。
← 上一章 📖 返回目录 下一章 →