随机化在实验设计中的作用
为什么我们非做不可？
实验设计里的随机化，说白了就是把样本分配到各个处理组的时候，不让任何主观因素插队。我刚入行时觉得这事很虚，不就是抽签嘛，能解决多少问题？直到有一次项目，我把所有血浆样本按收样顺序排好，前一半给对照组，后一半给处理组。结果处理组的样本全是从周五下午收集的——那天离心机刚维护完，温度漂了2度。你猜怎么着？差异全被批次效应吃掉了，真正的生物学信号根本露不出来。
随机化的核心价值就两个词：消除偏倚 和 平衡未知。你永远不可能事先知道所有潜在混杂因素。比如细胞培养的日期、试剂批号、操作员的手感、甚至当天实验室的湿度。随机化能把这些东西在组间均匀摊开，让它们变成随机噪声而不是系统偏差。
随机化如何对抗批次效应？
批次效应之所以烦人，就是因为它跟处理因素拧在一起。比如你上午跑对照组，下午跑处理组——那“上午 vs 下午”的差异中就混合了时间和处理的双重影响，你根本拆不开。
举个例子。我做过一个单细胞RNA-seq项目，样本来自3个患者。如果我把患者A的所有细胞放在第一个10x通道，患者B放第二个，患者C放第三个，那患者之间的差异就跟通道差异完全混淆。我后来用了区组随机化：每个患者都拆成几份，分配到不同的通道。这样通道批次的差异就被平均到所有患者头上，真正的患者间差异才冒得出来。
随机化的几种常见打法
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 完全随机化 | 小规模实验，样本同质 | 简单，统计效率高 | 容易在组间出现样本数不均匀 |
| 区组随机化 | 已知批次因素（板、芯片、日期） | 平衡批次内的组别比例 | 需要事先知道批次划分 |
| 分层随机化 | 有明确协变量（年龄、性别、疾病分期） | 确保重要变量在各组分布一致 | 层数太多会稀释效果 |
| 置换区组随机化 | 多中心临床试验 | 保持区组内组别数完全相等 | 预测性较强，易被猜到下一步分配 |
自己动手做个随机化
我习惯在实验开始前用脚本生成分配列表。下面是一个Python示例，用R和Python都行，但Python在生物信息团队里更通用些：
import random
import pandas as pd
# 假设我们有10个样本，分2组
samples = [f"Sample_{i:02d}" for i in range(1, 11)]
conditions = ["Control", "Treatment"]
# 完全随机化
random.shuffle(samples)
assignments = [conditions[i % 2] for i in range(len(samples))]
df = pd.DataFrame({"sample": samples, "group": assignments})
print(df)
# 区组随机化：每个区组2个样本，每组各1个
def block_randomization(samples, block_size=2):
result = []
for i in range(0, len(samples), block_size):
block = samples[i:i+block_size]
random.shuffle(block)
# 确保每区组内两组各半
half = block_size // 2
result.extend([(block[j], "Control") for j in range(half)])
result.extend([(block[j], "Treatment") for j in range(half, block_size)])
return result
result = block_randomization(samples)
df_block = pd.DataFrame(result, columns=["sample", "group"])
print(df_block)random.shuffle，却忘了设置随机种子。第二天重新跑脚本，分配结果完全不同，导致已经做好的实验没法跟记录对应。从此以后，我每次都会固定种子：random.seed(42)，并一起保存到实验笔记里。
随机化流程图：从样本到数据分析的路径
下面这张图展示了随机化在整个实验设计中的位置，以及它如何影响后续的批次效应处理：
生物信息学里的特殊陷阱
我们知道基础实验要随机化，但做生物信息学分析时，很多人把这事忘了。我见过太多人把芯片样本按“已经出数据”和“还没出数据”排队分析，或者按测序日期筛选差异基因——这不就是人为制造批次效应吗？
- 软件运行顺序：如果计算资源有限，不要先把对照组的fastq全部跑完再跑处理组。最好交叉着跑，或者用脚本随机化每个样本的分析顺序。
- 数据预处理：归一化步骤前，尽量把随机化信息传给流水线。有些工具靠样本顺序来估算背景噪音，顺序不对会引入假阳性。
- 机器学习建模：划分训练集/测试集时，一定要先随机化。我有个学生直接按患者ID奇偶分，结果两组患者的疾病严重程度完全不同，模型过拟合得一塌糊涂。
总结（但不叫总结）
随机化这东西，看着简单，做起来到处都是细节。我个人习惯在实验开始前就把随机化计划写进protocol里，还要跟团队过一遍。你想想看，如果连随机化都不做，那后面再花里胡哨的批次校正算法，也就是给有偏的数据披上数学外衣而已。真正的解决方案，永远是从实验设计的第一步就动手。
所以下次设计实验时，不妨多问自己一句：这个分配顺序里有没有隐藏的偏倚？ 如果有，那就把它随机化掉。