批次效应概述

什么是批次效应

批次效应，说白了就是数据里混进了跟实验本身无关的系统性偏差。一组样本在同一批测序、同一批处理，结果就带上了一个“批次烙印”，导致组间差异里真假难辨。

举个例子：我前几年帮一家药厂分析转录组数据，A组样本是一周前处理的，B组是隔了一周才处理。打开PCA一看，两组样本各自聚成了两团，分得特别开。当时项目经理还高兴地说“处理组和对照组差异显著”……我仔细查了实验记录，原来换了一批试剂。哪有什么生物学差异，就是批次效应在捣乱。

数学上可以把观测值拆成三部分：

观测值 = 真实生物学信号 + 批次效应 + 随机噪声

批次效应不是随机噪声，它是有结构、有方向的系统性偏差。不同批次之间如果混试剂、换操作员、换测序通道，都可能引入这种偏差。

为什么重要

批次效应直接影响结论的可信度。我见过最典型的案例：某个公开数据集用两个批次完成的，结果几千个差异基因里有一半是假阳性。你想想，如果拿着这个结果去验证靶点，那实验费用和时间可就全白花了。

具体来说，批次效应会导致三个问题：

• 假阳性膨胀：批次差异被误认为生物学差异，差异基因列表里混入了大量批次相关的基因。
• 假阴性遗漏：真实的生物学信号被批次方差淹没，检测不到。
• 跨研究不可重复：不同实验室的数据拼在一起，批次效应差异比生物学差异还大，结论无法复现。

历史背景

批次效应的概念最早出现在工业统计和质量控制里。上世纪20年代，休哈特（Shewhart）在研究生产流程时发现“同一批次的产品变异性小，不同批次之间变异性大”这个现象。

到了90年代末，微阵列（microarray）技术兴起，生物学家突然发现：同样一批样本，今天杂交和明天杂交，得到的信号强度差了一大截。我记得2001年《Nature Genetics》上有一篇经典文章（Scherf et al.），明确把“批次效应”写进了基因组学文献。

随后，高通量测序（NGS）时代来了，批次效应不但没消失，反而因为建库流程复杂、测序通道差异变得更加隐蔽。2010年左右，ComBat（Johnson et al., 2007）和limma（Smyth, 2004）等批间矫正方法陆续出现，才算有了系统性的解决方案。

我自己的一个体会：处理大规模公共数据（比如TCGA、GEO）时，经常要跟批次效应“斗智斗勇”。如果你不做矫正，有些差异基因可能是批次带来的，而不是疾病本身带来的。

时间阶段	关键技术	批次效应问题
1990s–2000s	微阵列（Microarray）	杂交时间、芯片批次、扫描仪差异明显
2000s–2010s	RNA-seq早期	建库批次、测序通道、试剂盒批次差异
2010s–至今	单细胞测序、多组学	细胞捕获批次、扩增批次、多中心数据整合

批次效应的数学视角

我们用一个线性模型来理解批次效应。假设第 \(i\) 个样本在第 \(j\) 个批次中的观测值 \(y_{ij}\)：

y_{ij} = μ + β * x_i + γ_j + ε_{ij}

其中：
  μ   —— 全局均值
  β   —— 生物学效应（x_i是分组指示变量）
  γ_j —— 第j个批次的固定效应（批次效应）
  ε_{ij} —— 随机误差，通常假设正态分布

如果批次效应 \(\gamma_j\) 和生物学分组 \(x_i\) 存在混杂（比如所有对照组都在批次1，处理组都在批次2），那就解不开了。这就是为什么实验设计阶段要强调“批次平衡”——每个批次里都混着对照和处理，才可能把批次效应从生物学效应里剥离出来。

常见误解与避坑

我整理了几个我见过最多的误解：

• 误解1：批次效应只影响均一化之前的数据。 —— 不对。哪怕你做了均一化，批次效应仍可能残留，尤其是不同批次间的非线性偏差。
• 误解2：只要样本量足够大，批次效应自动消失。 —— 不。批次效应是系统性的，增加样本只会让批内变异更稳定，但批间偏差不会消失。
• 误解3：我看了PCA，没有明显分离，说明没有批次效应。 —— 未必。有些批次效应只在某些基因集上表现突出，需要更精细的检查（比如RLE图、批次贡献率分析）。

上面这张图概括了批次效应的核心脉络：来源（技术、环境、操作）、如何产生系统性偏差、对下游分析的影响，以及最终的矫正方向。后面的章节我会深入讲每种来源的检测方法和矫正手段。

我曾经犯过一个错：拿到一个多中心单细胞数据集，看到聚类结果和中心高度相关，我直接用了Harmony矫正……结果因为没有检查批次效应是否与生物学分组完全混杂，反而把真实的细胞状态差异给抹平了。后来我养成了一个习惯：先做分组-批次卡方检验，确认混杂程度，再选矫正策略。