批次效应概述：概念、来源与影响

大家好啊，我是老张。做了这么多年组学数据分析，我见过太多人一上来就急着跑差异分析，结果跑出一堆假阳性。其实挺可惜的——百分之八十的问题都出在批次效应上。今天咱们就先把这玩意儿彻底聊透。

什么是批次效应？

说白了，批次效应就是非生物学因素带来的系统偏差。你想想看，同一个生物样本，今天测和下周测，结果能一样吗？试剂批号不一样、操作员手抖一下、仪器换了个校准参数——这些都会在数据里留下“指纹”。

更准确地说，批次效应是样本处理、测量或存储过程中，因技术性差异导致的系统性变异，与真正的生物学差异混在一起。举个例子：

• 两个肿瘤组织样本，如果分在两张不同的芯片上测，它们之间的差异可能有一半是芯片效应，不是真实的肿瘤异质性。
• RNA-seq 数据里，同一个个体的两个技术重复，如果文库构建批次不同，表达量能差出 2-3 倍。

我习惯用一句话跟团队新人讲：批次效应就是非实验因素产生的“假变异”。

批次效应的来源

回顾我处理过的几十个项目，批次效应的来源可以归为以下五类。每一类我都踩过坑，咱一个一个说。

批次效应的影响有多大？

我直接拿数据说话。假设一个真实的差异表达基因（logFC=1.5），如果批次效应占数据总变异的 30%，那么统计检验的 AUC 会直接从 0.85 降到 0.62。说白了，接近随机分类。

具体影响列表：

1. 假阳性暴增——批次差异被误认为生物学差异，尤其是小样本量时更严重。
2. 聚类扭曲——PCA 或 UMAP 的第一主成分被批次效应占据，真正的生物学结构被压到后面。
3. 重复性极差——同一个实验室的不同批次，结果都无法重复，更别提跨实验室。
4. 机器学习模型失灵——训练集和测试集如果来自不同批次，模型完全学的是批次特征，泛化能力为零。

你想想看，如果批次效应的方向完全与生物学分组一致（比如：所有病例都在第一批测，所有对照都在第二批），那任何统计方法都没法把它们分开。这种“完全混杂”是最危险的情况。

如何识别批次效应？

我这里列几个我自己常用的检查手段，都是实战检验过的：

• 主成分分析/多维缩放：如果 PC1 或 PC2 上的聚类与分组无关、却跟实验批次/日期/操作员完美对应，那基本上就是批次效应。
• 热图：把样本按批次排序，看表达量的行模式是否呈现块状结构。
• 批次相关得分：计算每个基因的方差分解，看批次因素能解释多少变异（大于 20% 就要注意）。
• 差异分析比较：随机抽取不同批次的相同生物学样本，如果出现大量显著差异，那全是批次造成的。

我曾经在单细胞数据分析中遇到过更隐蔽的情况——同一个细胞悬液，分两次上 10x 平台，结果 UMAP 图上分成了两个小岛，怎么调参都合不到一起。最后发现是微流控芯片的负载效率不同。

批次效应的应对策略概览

这一章咱先不深入讲具体代码，但得让你心里有张“作战地图”。下面这个图就是我一直在项目中用的思路框架：

这个流程图的逻辑很简单：拿到数据后，先用 PCoA 或 UMAP 做个初步诊断，看样本是否按批次分层。如果没有明显批次效应，直接走下游。如果有，就挑合适的校正方法，校正完再回头检查一遍。千万别校正一次就完事——我见过有人用 ComBat 校正后反而把真实差异抹掉了。

这节课你需要记住的核心