3. 批次效应检测方法（PCA、UMAP可视化）

讲完了批次效应的来源，咱们得聊聊怎么把它「揪出来」。你想想看，数据整合完了，你总得知道矫正做得到不到位，对吧？

我个人习惯，在跑任何复杂算法之前，先做一轮可视化摸底。说白了，就是给数据拍张「X光片」。这张片子，就是 PCA 和 UMAP。

3.1 为什么首选 PCA 和 UMAP

这两个方法，几乎成了单细胞数据分析的「标准动作」。但你要明白，它们在看批次效应这件事上，角色完全不同。

特性 PCA（主成分分析） UMAP（均匀流形逼近与投影）
数学本质 线性降维，追求方差最大化 非线性降维，保留局部与全局结构
批次效应表现 在前几个主成分上「分层」或「分离」 形成明显的「簇团」或「岛状」分离
计算速度 极快，几秒出结果 较慢，尤其细胞数 > 10万时
主要用途 快速摸查、确定主成分数 精细展示、成果发表
对异常值敏感度 高 低

我刚开始做单细胞项目时，总迷信 UMAP 的视觉效果，觉得它漂亮。后来吃过一次亏：一个样本的 UMAP 分得很开，但 PCA 一看，其实只是那个样本的线粒体比例特别高。PCA 的线性特性，有时能帮你更快地找到问题根源。

核心观点： PCA 做「体检」，UMAP 做「展示」。两个缺一不可。

3.2 PCA 检测实操

咱们来看具体怎么操作。假设你已经有了一个整合后的 Seurat 对象或 AnnData 对象。

3.2.1 R 语言（Seurat）中的 PCA 可视化

# 假设你的 Seurat 对象叫 'combined'
# 先运行 PCA（如果还没做）
combined <- RunPCA(combined, features = VariableFeatures(combined))

# 按样本批次着色，看有没有分离
DimPlot(combined, reduction = "pca", group.by = "orig.ident") +
  ggtitle("PCA - 按样本批次着色")

你会看到类似这样的图：理想状态是各样本的细胞均匀混在一起。如果某个样本的细胞在 PC1 或 PC2 上明显偏向一侧，那么批次效应很可能存在。

我的小技巧： 别只看前两个主成分。有时候 PC3 和 PC4 反而能暴露出更隐蔽的技术差异。我会循环检查前 10 个 PC，用 DimHeatmap() 看看哪些基因在驱动这些成分。

3.2.2 Python（Scanpy）中的 PCA 可视化

import scanpy as sc

# 假设你的 AnnData 对象叫 'adata'
sc.tl.pca(adata, n_comps=50)
sc.pl.pca(adata, color='batch', title='PCA 按批次着色')

同样的逻辑。如果出现明显的分层，这就是一个明确的信号。

3.2.3 量化批次效应：PCA 方差分解

光看还不够，我建议用量化指标来确认。一个常用的方法是看批次变量能解释多少方差。

# 在 R 中用 'adonis' 或 'PERMANOVA' 做方差分解
library(vegan)

# 提取前 30 个 PC 的坐标
pca_coords <- Embeddings(combined, reduction = "pca")[, 1:30]

# 看批次对 PC 坐标的贡献
adonis_result <- adonis(pca_coords ~ batch, data = combined@meta.data, method = "euclidean")
print(adonis_result$aov.tab)

如果 R² 值 > 0.1，那说明批次效应已经相当显著了，必须处理。

我曾经踩过的坑： 有次我的 PCA 看起来混得很好，R² 也很低，但 UMAP 却一塌糊涂。后来发现，是因为那个批次效应藏在非线性的高维结构中，PCA 的「线性眼镜」看不到。所以，PCA 说「没问题」不代表真的没问题，一定要结合 UMAP 做最终判断。

3.3 UMAP 检测实操

UMAP 的调参很敏感。很多人在这一步随便跑一下，结果被误导。我给你几个关键点。

3.3.1 标准流程

# Seurat
combined <- RunUMAP(combined, dims = 1:30)
DimPlot(combined, reduction = "umap", group.by = "orig.ident")

# Scanpy
sc.pp.neighbors(adata, n_neighbors=15, n_pcs=30)
sc.tl.umap(adata)
sc.pl.umap(adata, color='batch')
参数 默认值 批次效应检测时的建议 为什么？
n_neighbors 15 15-30 值越小，越强调局部结构；值越大，越看到全局趋势。检测批次效应建议用稍大的值，避免把噪声放大。
min_dist 0.3 0.1-0.5 控制点的聚集程度。0.1 时簇更紧凑，0.5 时更分散。初次看批次效应，用 0.3 比较稳妥。
n_components 2 2 或 3 2D 足够检测大部分批次效应。3D 交互式查看有时能发现隐藏的分层。

经验之谈： 我习惯先跑一次默认参数的 UMAP。如果看到批次分离，我会调整 n_neighbors 从 15 到 50，看看分离是「鲁棒的模式」还是「参数敏感的假象」。真正的批次效应，应该在不同的 n_neighbors 下都能看到。

3.4 如何「看」懂这些图

很多人只盯着图上有没有不同颜色的点混在一起。但有时候，批次效应很微妙。我给你列个检查清单。

  1. 完全重叠：理想状态，样本间混合均匀。恭喜，你可能没有批次效应。
  2. 渐变过渡：某一样本的细胞，沿着 UMAP 的某个方向「飘移」到另一个样本的位置。常见于测序深度差异。
  3. 硬边界分离：两个样本之间存在明显的「鸿沟」。这是最严重的批次效应，几乎必须矫正。
  4. 一个小簇单独分离：往往不是批次效应，而是某个细胞类型（如浆细胞）只在其中一个样本中出现。

教你一个实用技巧： 把 UMAP 图按基因表达量着色。如果分离的样本刚好高表达一组线粒体基因或核糖体基因，那很可能是细胞质量导致的批次效应，而不是生物学差异。

3.5 本章知识体系

下面这张图，总结了我们刚才说的检测逻辑。从原始整合数据开始，经过 PCA 和 UMAP 两条路径，最终得出批次效应是否存在的判断。

批次效应检测流程 原始整合数据 PCA 线性降维 UMAP 非线性降维 前 2-5 个主成分散布图 2D/3D 嵌入可视化 批次效应是否存在？ 由 PCA 做快速筛查，由 UMAP 做最终可视化验证，结合方差分解（如 adonis）量化确认

3.6 常见误区与避坑指南

  • 误区一：只看 UMAP 不看 PCA。 个人建议还是先跑 PCA，省时间，能用线性视角帮你发现基础问题。
  • 误区二：忽视颜色编码。 你想想看，如果批次标签的颜色本身对比度就很低，你根本看不出来有没有分离。我一般用 ggsci 或者 paletteer 里高对比度的调色板。
  • 误区三：对 UMAP 的随机性过于自信。 UMAP 每次运行结果可能略有差异。我会固定随机种子（set.seed(42) 或 random_state=42），确保结果可重复。

我曾经踩过的一个深坑： 有次在处理一个包含 8 个样本的心肌细胞数据时，UMAP 上两个批次分庭抗礼。我花了整整两天调矫正参数，结果发现——其中一个样本其实是心室组织，另一个是心房组织。批次效应和生物学差异混在一起，UAMP 检测不出来这个区别。后来我用 FindAllMarkers() 看了差异基因，才发现真相。记住，检测批次效应的前提是你要确认它不是生物学差异。

好了，检测这一步讲完了。你现在应该能对你手上的数据做个全面的「体检」了。从 PCA 的快速扫描，到 UMAP 的精细查看，再到 adonis 的量化确认——这三板斧砍下来，你的批次效应有没有问题，心里就有数了。

← 上一章 📖 返回目录 下一章 →