1. 批次效应概述与来源归纳

说起批次效应，我在做肿瘤单细胞项目时没少跟它打交道。说白了，它就是不同实验批次带来的系统性技术变异，跟样本本身的生物学差异没啥关系。你想想看，同一个肿瘤样本，分两次做测序，结果可能看起来像两个完全不同的样本——这就是批次效应在捣鬼。

我刚开始处理单细胞数据时，就吃过这个亏。有一批肺癌样本，合并后UMAP聚类全按实验日期分开了，而不是按细胞类型。当时我还以为是发现了新的细胞亚群，兴奋了好几天……后来才意识到，这就是典型的批次效应。嗯，从那以后，我拿到任何多批次数据，第一件事就是检查批次效应。

1.1 什么是批次效应

批次效应（Batch Effect）是指由于实验操作、试剂、仪器、时间等非生物学因素导致的系统性数据偏移。在单细胞转录组学中，这种效应表现为不同批次间相同细胞类型的表达谱出现系统性差异。

我个人的理解更简单：同一类细胞，在不同批次里测出来不一样。这不是细胞变了，是实验条件变了。

从数学上看，假设真实生物学信号为 Xbio，批次效应为 B，观测数据 Xobs = Xbio + B + ε。我们的目标就是把 B 剥离掉，留下真实的 Xbio。

1.2 批次效应的常见来源

我在项目中归纳过，批次效应的来源大致分五类。下面这张表总结得比较全：

来源类别	具体因素	影响程度
实验操作	不同人员操作、解离时间差异、细胞活力波动	高
试剂批次	10x 试剂盒版本、抗体批号、酶批次差异	高
测序平台	Illumina NovaSeq vs. HiSeq、测序深度不同	中
样本处理	冻存 vs. 新鲜样本、组织保存时间、运输条件	高
环境因素	实验室温度、湿度、操作台洁净度	低-中

实验操作差异是我遇到最多的情况。不同的人解离同一类组织，细胞存活率能差20%以上。存活率低的样本，死细胞释放的RNA会污染活细胞，导致表达谱偏移。

试剂批次问题也很常见。我记得有一次，同一个项目前后用了两批10x v3试剂盒，相同细胞类型的Marker基因表达量差了30%。如果不做批次校正，合并后直接聚类，两个批次会完全分开。

测序平台的影响相对小一些，但也不能忽视。NovaSeq的读长和测序深度通常比HiSeq高，这会导致基因检出率不同，尤其是低表达基因。

1.3 如何识别批次效应

识别批次效应，我通常三板斧：

1. PCA 可视化——看主成分上样本是否按批次聚集
2. UMAP/t-SNE 聚类——看细胞是否按批次而非细胞类型分开
3. 统计检验——计算批次间相同细胞类型的差异表达基因数量

第一板斧最快。我拿到数据后，第一件事就是跑PCA，用颜色标记不同的批次。如果PC1或PC2上批次明显分开，那批次效应基本实锤了。

举个例子，用Scanpy做批次效应检查的代码长这样：

import scanpy as sc

adata = sc.read_h5ad('tumor_samples.h5ad')
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.tl.pca(adata, n_comps=30)
sc.pl.pca(adata, color='batch', title='PCA colored by batch')

跑完之后，如果图上不同颜色的点各自抱团，那就是典型的批次效应。如下图左侧那种情况：

除了可视化，我还会用定量指标来确认。计算每个细胞在PC1上的投影值，然后用ANOVA检验不同批次间的均值差异。p值小于0.01，基本可以判定存在显著批次效应。

1.4 批次效应对肿瘤研究的危害

在肿瘤单细胞研究中，批次效应的危害是致命的。我归纳了三点：

• 掩盖真实信号：肿瘤异质性本来就复杂，批次效应会把微弱的肿瘤亚群信号淹没掉。比如，一个稀有克隆只占1%的细胞，如果批次效应造成5%的噪声，这个克隆就根本看不到。
• 制造假阳性：批次效应会让不同批次的相同细胞类型看起来像不同亚群。我见过有人把两个批次的T细胞聚类成"两种新的T细胞亚型"，其实就是批次效应。
• 破坏可比性：治疗前后对比、肿瘤vs正常对照，如果样本分布在不同的批次里，批次效应会扭曲差异分析结果。你发现的"差异基因"，可能只是批次间的技术差异。

说白了，批次效应不消除，你后续所有的差异分析、聚类分析、轨迹推断，都可能是建立在一堆技术噪声之上。结论发出去，别人根本复现不了。

1.5 一个典型场景

讲一个我在项目中真实遇到的场景。一个肺癌研究，共12个样本，分3个批次处理：

• 批次A：4个肿瘤样本，2023年3月处理，操作人员甲
• 批次B：4个肿瘤样本，2023年4月处理，操作人员乙
• 批次C：4个正常对照样本，2023年5月处理，操作人员甲

合并数据后，我做了PCA，结果如下：

PCA结果：PC1解释了18%的方差，PC2解释了9%
批次A和批次B在PC1上明显分开
批次C夹在中间，但偏向批次A
肿瘤细胞和正常细胞没有分开，反而被批次混在一起

这个案例里，批次效应不仅把相同类型的肿瘤细胞分开了，还把肿瘤和正常样本的生物学差异给掩盖了。如果不做校正，你根本无法区分哪些差异是肿瘤vs正常，哪些是批次带来的。

我当时花了一周时间对比了多种批次校正方法，最后用Harmony + 基于参考的校正才把数据拉平。这件事让我深刻认识到：批次效应不是"要不要处理"的问题，而是"怎么处理更好"的问题。

上面这张图是我自己整理批次效应知识体系时画的框架。你可以看到，批次效应的来源是根因，识别方法是诊断工具，负面影响是必须处理的原因，消除策略是解决方案。这四部分构成了完整的批次效应处理闭环。后续章节我们会逐一深入每个消除策略的具体实现。