📚 课程目录第4章 ComBat的数学原理（一）

4. ComBat 的数学原理（一）：模型设定

说白了，ComBat 的数学原理并不复杂。它的核心就是一个线性混合模型。我在刚接触这个工具时，总觉得要理解它得啃一堆统计学教材。后来发现，你只要抓住它假设了什么、拆解了什么，就能明白它为什么能校正批次效应。

这一章，我们先不讲怎么算，先讲模型是怎么设定的。

你可能会问：基因表达数据凭什么一定要服从正态分布？

嗯，这里要注意。ComBat 不是要求原始数据是正态分布，而是假定在校正后、在给定条件下，表达量的残差服从正态分布。这其实是线性混合模型的常规操作。

我曾经遇到过一个项目，用户直接用原始 UMI 计数值跑 ComBat，结果校正效果很差。后来我让他先做 log 归一化，让数据分布更接近正态，效果立刻就对了。所以，预处理阶段一定要让数据“看起来”像正态分布。

我的经验：归一化后的基因表达值，如果直方图偏态严重，可以先做 log2(x+1) 变换。不要让数据带着厚尾巴硬跑 ComBat。

ComBat 的模型设定长这样：

Y_{ijg} = α_g + X_i β_g + γ_{ig} + δ_{ig} ε_{ijg}

这个公式，说白了，就是把观察到的基因表达值 Y 拆成了几部分。我们来一个一个看：

符号	含义	类型
`Y_{ijg}`	第 i 批次、第 j 样本、第 g 基因的表达值	观测值
`α_g`	基因 g 在所有批次中的总体均值	固定效应
`X_i β_g`	生物学协变量（如细胞类型、处理条件）的影响	固定效应
`γ_{ig}`	批次 i 对基因 g 的加性偏差（Additive Batch Effect）	随机效应
`δ_{ig}`	批次 i 对基因 g 的乘性偏差（Multiplicative Batch Effect）	随机效应
`ε_{ijg}`	随机误差，服从 N(0, σ²_g)	误差项

我个人习惯把这个公式记作：Y = 基准均值 + 生物学变异 + 批次加性偏移 + 批次乘性缩放 * 随机噪声。

你想想看，如果没有批次效应，模型会退化成简单的线性回归：

Y_{ijg} = α_g + X_i β_g + ε_{ijg}

ComBat 就是多引入了两个项来吸收批次带来的偏差和方差变化。

这里我想重点讲一下 γ 和 δ 的区别。

我在项目中遇到过这样的情况：两个批次的数据均值一致，但合并后方差突然变大，聚类效果很糟糕。这就是典型的 δ 问题。ComBat 能同时处理这两个问题，这也是它比简单的均值中心化（只处理 γ）更好用的原因。

避坑指南：我曾经只用了 ComBat 的默认参数（只估计 γ），忽略了 δ 的调整。结果虽然均值对齐了，但方差差异依然存在，导致下游分析假阳性率偏高。一定要确认你的场景是否需要调整 δ（即 par.prior=FALSE 的情况）。

ComBat 把批次效应 γ_{ig} 和 δ_{ig} 当作随机效应，而不是固定效应。这意味着模型假设：

为什么会这样？因为批次是随机因素——你重复做一次实验，批次效应是随机出现的，不是刻意设计的。用随机效应来处理，可以更自然地推广到新批次的数据。

我记得在空间转录组项目中，我们经常有 3-5 个切片批次。如果把批次当作固定效应去拟合，参数会爆炸。用随机效应，模型更简洁，泛化能力也更强。

任何线性混合模型都面临一个基本问题：我们怎么确保拆出来的项是合理的，不会互相混淆？

举个例子，如果批次效应和生物学效应高度相关，模型就可能分不清哪部分是批次、哪部分是生物学真实差异。

ComBat 的解决方案是：

这样的两步策略，在一定程度上缓解了可识别性问题。但并不是万能的。如果某一生物学变量（比如疾病组）恰好全部在同一个批次中，那模型会很难分离。这就是所谓的 confounded batch design。

核心要点：ComBat 的模型假定生物学变异和批次效应是可分离的。如果你的实验设计把条件与批次完全混在一起（如 Batch 1 = 对照组，Batch 2 = 处理组），ComBat 会混淆，甚至可能移除真实的生物学信号。

来，我们梳理一下 ComBat 模型设定的核心骨架。这些就是你理解后面推导过程的基石。

好吧，模型已经搭好了。下面是这一章的框架图，你可以直观地看到各个部分之间的关系。

这张图把模型设定的四个部分串了起来：观测值 Y 被拆解成生物学信号、加性批次偏移、乘性批次缩放和随机误差。记住，γ 和 δ 是随机效应，ε 是误差项。α + Xβ 是固定效应部分。

模型设定到这里就讲完了。后面我们会基于这个设定，推导 ComBat 是怎么估计这些参数的，以及怎么把批次效应从数据中去掉。