数据准备：输入数据格式要求
做ComBat校正，最磨人的往往不是算法本身，而是数据准备。我见过太多人把时间花在调参上，结果数据格式一塌糊涂，跑出来的结果根本没法用。说白了，这一步要是没搞对，后面全是白干。
这一章我们就来聊聊，ComBat到底需要什么样的输入数据。别小看这个，格式对了，后面的活儿能省下一半时间。
核心输入：基因表达矩阵
ComBat的核心输入就是一个矩阵。你可以把它想象成一张大表——行是基因（或者探针、蛋白、代谢物），列是样本。
我个人习惯把表达矩阵存成一个CSV或TSV文件，行名是基因名，列名是样本名。举个例子：
Gene_Symbol,Sample1,Sample2,Sample3,...
TP53,12.3,11.8,15.2,...
BRCA1,8.9,9.2,7.5,...
EGFR,5.6,5.1,6.8,...
...关键点看这里：
- 数值类型必须是连续型——像是log2表达量、FPKM、TPM这些都行。计数数据（比如原始read count）就别直接往里扔了，ComBat是为连续数据设计的。
- 不要有空值——我曾经一次项目里，有个基因在某个批次里全是NA，ComBat直接报错。后来我用均值补了，结果还是把那个批次搞得一塌糊涂。所以要么补全，要么删掉。
- 数据最好已经做过标准化——ComBat不负责帮你归一化。我建议至少做完log2转换或quantile normalization再输入。
批次标签：怎么告诉ComBat哪个样本属于哪个批次
表达矩阵之外，你还得给出一份批次标签信息。说白了就是一张“样本-批次对照表”。
格式大概是这样的：
Sample_ID,Batch
Sample1,Batch1
Sample2,Batch1
Sample3,Batch2
Sample4,Batch2
Sample5,Batch3
...你想想看，如果这个表搞错了，比如样本2和样本3的批次标反了，ComBat会做什么？它会错误地把批次间的差异当成真实生物学变异去校正，结果就是你把好的数据洗坏了。
我个人习惯的做法是：在准备数据阶段，先画一个箱线图或者PCA图，看看样本是否真的按批次聚类。如果肉眼都能看出批次效应，那这个标签大概率是对的。
特征注释（可选但推荐）
ComBat还有一个进阶输入——特征注释。这个不是必须的，但我建议你加上。
典型用途是：你想告诉ComBat，“这批探针是基因，那批探针是对照，校正时不要把对照弄乱了”。
格式同样简单：
Probe_ID,Type
A_01_P000001,gene
A_01_P000002,gene
A_01_P000003,control
...如果不提供这个，ComBat默认把所有特征当成一类来校正。大多数场景下这没问题，但如果你手上有对照探针或spike-in，那就别省这一步了。
数据质量要求：别拿垃圾数据糊弄ComBat
嗯，这里要注意：ComBat不是魔法。你再好的算法，输入一堆垃圾数据，结果也是垃圾。
数据底线要求：
- 每个批次至少要有3个样本（越多越好，我建议每个批次至少5个）
- 不能有全零行或全NA行
- 数据分布不要严重偏态（比如未log2的原始count数据）
- 不同批次间的基因数量必须一致
我曾经在一个多中心项目中遇过——某个中心只提供了2个样本。ComBat跑是能跑，但校正完这批样本就像被“吸”到了其他批次一样，完全失真了。所以2个样本的批次，要么合并到其他批次，要么就直接剔除吧。
一张图看清整个数据准备流程
下面这个SVG图总结了数据准备的关键节点和它们之间的关系：
常见数据格式问题排查
我把这些年在项目中踩过的坑整理了一下，做成一个速查表，你直接对着检查就好：
| 问题类型 | 表现 | 我的处理方式 |
|---|---|---|
| 基因名重复 | 同一基因多行，ComBat报错 | 取均值或中位数合并，或按表达量保留最高的一行 |
| 样本名与批次表不匹配 | ComBat运行后样本顺序错乱 | 强制对齐：match(colnames(expr), batch$Sample_ID) |
| 批次标签是数值 | ComBat把批次当成连续变量处理 | 转为因子：batch$Batch <- as.factor(batch$Batch) |
| 表达矩阵有负值 | 部分模型参数计算异常 | 检查是否做过log2转换，某些归一化会残留负值 |
一个小技巧：
在把数据喂给ComBat之前，先做一个dim(expr)和table(batch)，确认维度一致，批次样本数合理。这个习惯救了我好几次。
代码里的数据格式示例
如果你用R，最经典的方式是这样读取数据：
# 读取表达矩阵
expr_matrix <- as.matrix(read.csv("expression_data.csv", row.names = 1))
# 读取批次信息
batch_info <- read.csv("batch_labels.csv")
batch_info$Batch <- as.factor(batch_info$Batch)
# 检查样本顺序是否一致
all(colnames(expr_matrix) == batch_info$Sample_ID)
# 如果不一致，就重新排序
batch_info <- batch_info[match(colnames(expr_matrix), batch_info$Sample_ID), ]如果你用Python，通常是用pandas处理：
import pandas as pd
# 读取表达矩阵
expr_df = pd.read_csv("expression_data.csv", index_col=0)
# 读取批次信息
batch_df = pd.read_csv("batch_labels.csv")
# 按样本名对齐批次标签
batch_series = batch_df.set_index("Sample_ID").loc[expr_df.columns, "Batch"]代码本身没什么高深的，但样本顺序对齐这一步，我至少见过5个人在这上面翻车。ComBat对输入顺序敏感——批次标签的顺序必须和表达矩阵的列顺序严格一致。
嗯，说到这里，其实数据准备的核心就这些了。总结一下就是：表达矩阵+批次标签+特征注释（可选），格式要对，顺序要对，质量要对。做到这三条，ComBat就能跑得很顺畅。