📚 课程目录第2章批量效应概述

2. 批量效应概述：什么是批次效应？为什么在空间转录组中问题更突出？

好，咱们正式进入第二章。上一章我们聊了空间转录组能干什么，这一章，我要跟你好好掰扯一下它的“头号敌人”——批次效应。

你可能会问，为啥你一上来就讲这个？因为在我接触过的空间转录组项目里，十有八九的坑，都是批次效应挖的。处理不好，你后面花大价钱做的差异分析、细胞通讯分析，结果全是假的，白白浪费时间。

2.1 到底什么是批次效应？

说白了，批次效应就是非生物学因素引入的系统性偏差。

你想想看，样本不是一天做完的，试剂不是同一批次的，操作员手感也不一样。这些因素叠加起来，会让本来相似的生物学样本，在测序数据里表现出明显的差异。这种差异，就是批次效应。

我以前在单细胞 RNA-seq 项目中吃过很多亏。有一组癌症样本，由于上机时间差了 3 个月，结果 PCA 图上正常组织和肿瘤组织没分开，反倒是早批次的样本和晚批次的样本各自聚类。当时我还以为发现了什么新的亚型，结果一排查，就是批次效应在捣鬼。

用一个公式来理解：

Observed_Expression = True_Biological_Signal + Batch_Effect + Noise

我们想要的是 True_Biological_Signal，但实际观测到的表达量里混进了 Batch_Effect。空间转录组的数据信噪比本就比单细胞低，这个 Batch_Effect 一旦放大，足以淹没真正的生物学信号。

⚠️ 避坑指南： 我曾经见过有人拿到数据后直接合并分析，完全不考虑批次。最后做出来的差异基因，有一半都是批次相关的标记基因。切记，第一步永远是先画 PCA 或 UMAP 图，用颜色标记不同批次，看看有没有显著的聚类分离。

2.2 为什么空间转录组的批次效应问题更突出？

你可能觉得，批次效应这玩意儿单细胞里也有啊，凭啥说空间转录组更突出？原因有三点，我一个一个说。

第一，空间信息带来了额外的干扰。

常规单细胞数据，细胞之间是独立的，我们可以用各种工具直接校正。但在空间转录组里，每个 Spot 的表达量不仅反映自身状态，还携带着空间邻居的信息。批次效应校正时，如果不小心把空间结构也“抹平”了，那结果就是一团浆糊。

第二，数据稀疏性和技术噪声更严重。

以 10x Visium 为例，一个 Spot 覆盖多个细胞，但捕获效率有限。很多低表达的基因检测不到，造成大量缺失值。在这种高稀疏度的数据里，批次效应会被成倍放大。你在单细胞里可能觉得“还好嘛”的那点差异，在空间里用肉眼就能直接看到。

第三，批次常常与生物学效应混淆。

举个例子，你想比较肿瘤中心和边缘的差异。结果不幸的是，中心区域的切片是一周前做的，边缘区域的切片是昨天做的。这时候你看到的所有差异，一半是生物学真差异，另一半是批次效应。你没办法简单地用线性回归把它们分开。

我整理了一个对比表格，看完你就明白了：

对比维度	常规转录组 / 单细胞	空间转录组
效应类型	全局偏移（Global Shift）	局部偏移 + 空间结构扭曲
位置相关性	无位置信息	强位置相关性（邻域效应）
数据特点	相对稠密，缺失率可控	高度稀疏，零膨胀严重
解决方法	ComBat / Harmony / scVI 可直接用	需要保留空间结构的专用校正方法
典型数据量	数万～数十万细胞	数千～数万 Spot，但每个 Spot 信息量更大

💡 我的建议： 在做空间转录组批次校正前，先用 scanpy.pp.pca + scanpy.pl.pca 跑一遍，按批次着色。如果发现空间坐标相似的 Spot 在 PCA 图上相隔甚远，那就说明批次效应已经严重影响了空间模式。赶紧启动校正流程，别犹豫。

2.3 常见的批次效应来源

很多人以为批次效应只来自“样本处理时间不同”，其实远不止这些。我给你列一个实战清单：

样本采集批次： 患者手术时间不同，组织保存条件（OCT 包埋 vs 液氮速冻）不同。我在项目中遇到过同一器官的切片，前几片用的是新 OCT，后几片是用旧 OCT包的，结果 RNA 降解程度完全不同。
组织处理批次： 组织透化时间、杂交温度、探针浓度，这些参数稍微一改，表达量就跟着变。我建议每一个参数组合都单独记录为一个 batch 标签。
测序批次： 不同测序通道、不同试剂盒版本、不同 Illumina 机型（NovaSeq vs NextSeq）。测序深度的波动会直接影响基因检出率。
操作员批次： 这个常被忽略。但如果你有两个实验员，一个习惯快切，一个习惯慢切，那组织完整性、RNA 释放效率都不一样。我一般会要求实验记录里写明“操作者姓名”，把它作为一个 categorical covariate。
软件/分析批次： Space Ranger 版本、参考基因组版本、STAR 对齐参数的差异，也会引入批次效应。很多在线公开数据集的合并分析，这个问题尤其突出。

下面我画了一张图，把主要来源和它们之间的关系展示出来：

📌 实战经验： 我建议你在项目启动时就建立一个批次记录表，包含样本ID、采集日期、操作者、文库构建试剂盒批次、测序仪器ID、Space Ranger版本。这些信息在后续校正中一个都不能少。我自己用 Python 的 pandas 把所有的 metadata 做成一个 DataFrame，然后在做校正前先检查 batch 列是否有缺失值。

2.4 小结与经验

好了，我们回顾一下这一章的核心：

批次效应就是非生物的系统偏差。它的来源五花八门，从样本采集到数据分析，每一步都可能引入。
空间转录组因为引入了空间结构、数据稀疏和 high confounding，批次效应问题比单细胞更棘手。
校正前必须先识别批次。拿到数据先画图，按批次着色，心里有数再动手。

下一章我们就会正式开始使用 ComBat 了。不过在动手之前，你得先把自己的数据准备好——特别是那个 batch 列。我习惯在 anndata.obs 里加一列 batch，然后用 pd.Categorical 来管理。

给你看我常用的准备代码片段：

import anndata as ad
import pandas as pd

adata = ad.read_h5ad('your_spatial_data.h5ad')
# 假设我们有样本 'S1'，'S2'，分别来自两个批次
adata.obs['batch'] = adata.obs['sample_id'].map({
    'S1': 'batch_1',
    'S2': 'batch_2'
}).astype('category')

print(adata.obs['batch'].value_counts())
# 检查 batch 分布是否平衡