1. 批次效应概述：什么是批次效应？为什么需要可视化检测？
大家好，欢迎来到《批次效应可视化》这门课。
说实话，我第一次在实际项目中直面批次效应，是在几年前做一个大规模微生物组测序项目时。当时我们实验室分了三批样，送到不同测序公司。结果一分析，所有样本按“送样批次”完美分开，生物学差异反而看不出来了。嗯，那时候我才真正体会到——”批次效应“这玩意儿，真的很棘手。
这一章，我们先聊聊基本概念：批次效应到底是什么？为什么我们在组学数据分析中，必须得想办法把它找出来？
1.1 什么是批次效应？
说白了，批次效应就是——在实验过程中，由于人为操作、试剂批次、仪器状态、环境温度等非生物学因素引起的系统性数据偏移。
你想想看，一个组学项目里，经常要分好几批才能完成取样、提取、文库构建、上机测序。每一批之间，哪怕操作员再小心，试剂再规范，还是会有细小的差异。这些差异在单个基因或蛋白层面可能不显著，但一旦叠加到成千上万个特征上，就会形成明显的“假信号”。
举个例子：我做过一个转录组项目，A组和B组是不同处理，A组全是第一批测的，B组全是第二批测的。结果PCA一跑，PC1完美区分了两个批次。哎，这时候根本不知道A和B的差异是处理造成的，还是批次造成的。这就是典型的“批次与生物学因素完全混杂”。
| 特征 | 批次效应 | 真实生物学差异 |
|---|---|---|
| 来源 | 实验操作、试剂、仪器、时间 | 基因表达、微生物丰度、代谢物 |
| 表现形式 | 按批次分组聚集 | 按实验分组聚集 |
| 可否重复 | 换一批实验可能消失 | 可独立验证 |
| 对分析的影响 | 产生假阳性/假阴性 | 真实信号 |
1.2 批次效应是怎么产生的？
我习惯把批次效应的源头分成三类。这样在后续排查时，思路会比较清晰：
- 样本处理差异：提取试剂盒批次不同、提取操作时间不同、酶活性批次间波动。我在一个项目中遇到过，同一个护士取样，前后两批用的保存管不一样——结果丰度差异巨大。
- 测序/质谱条件差异：不同测序仪、不同芯片、不同流动池、不同操作员。你想想看，同一台仪器，隔了三个月再做一批，光学系统都可能漂移。
- 时间/环境因素：实验室温度湿度变化、季节变化、操作人员更换。嗯，这个最容易被忽略。
1.3 为什么需要可视化检测？
好，那问题来了——为什么要专门用可视化方法去检测批次效应？
直接跑个统计学检验不行吗？我个人觉得，主要有三点原因：
- 批次效应是“全局性”的。它不是影响一个基因，而是影响很多基因/特征的整体分布。统计检验只关注单个特征，看不到这个全局趋势。可视化，比如PCA、PCoA、UMAP，把高维数据降到2维或3维，一眼就能看出样本是不是按批次聚在了一起。
- 可视化能帮你判断严重程度。我见过有些批次效应很轻微，不影响后续分析；有些则直接把生物学信号都盖住了。光靠P值很难说清楚“多严重”，但一张图就清晰了。
- 可视化能发现“隐藏”的混杂因素。我记得有一次，一个学生拿数据给我看，说PCA图上样本没按实验分组聚，但有一套奇怪的分布。仔细一看——原来第一批和第二批的测序日期不同，而日期差异在图上形成了一条连续的轨迹。这种模式，你用任何一个单变量统计都找不出来。
1.4 批次效应的可视化检测逻辑
这里我用一张图来总结批次效应可视化检测的核心逻辑。你代入自己的项目去理解就行：
这张图很简单：左侧是实验流程→产生高维数据→降维可视化→看样本是否按批次聚类。如果是，那就有批次效应；如果不是，那你就可以放心继续分析。
1.5 常见的可视化检测方法概览
咱们这门课主要用的就是PCoA和UMAP。这两个方法各有特色：
| 方法 | 核心逻辑 | 适用场景 | 我个人的使用习惯 |
|---|---|---|---|
| PCoA | 基于距离矩阵的特征分解 | 微生物组、生态学数据（Beta多样性） | 做微生物组项目时，几乎必做PCoA |
| UMAP | 基于流形学习的非线性降维 | 单细胞转录组、大规模组学 | 数据量大、结构复杂时首选UMAP |
| t-SNE | 基于概率分布的降维 | 小样本、强调局部结构 | 偶尔辅助使用，但速度慢 |
| PCA | 方差最大化线性降维 | 快速预览、基因表达数据 | 我最先用PCA做快速排查 |
1.6 控制变量的重要性
嗯，这里我想特别强调一点：可视化检测批次效应的前提，是你的实验设计允许你区分“批次”和“生物学变量”。
说白了，就是你得在实验设计阶段做好一件事：不要让所有A组都在第一批，所有B组都在第二批。如果有条件，尽可能把不同组的样本随机分配到不同批次中。这样即使在图上看到批次效应，你也能通过颜色区分开批次和分组，不致于把两者弄混。