4. Block Randomization 的概念
4.1 从一次翻车说起
先讲个我自己的教训。
几年前做一组药物处理的细胞实验。12个样本，6个处理组、6个对照组。当时赶时间，直接把所有处理组放在一个批次上机，对照组放在另一个批次。结果差异表达分析跑出来上千个基因，p值调得一个比一个好看。但用 RT-qPCR 验证时，几乎全军覆没。
后来排查才发现——那些"差异基因"根本就是批次间的技术差异，跟药物处理没半毛钱关系。
为什么会这样？
因为处理组和对照组完全被批次混淆了。你根本分不清差异是药物引起的，还是批次不同造成的。这就是典型的批次效应。
那怎么解决？其实早在实验设计阶段，用一个简单策略就能避免——Block Randomization。
4.2 什么是 Block Randomization
Block Randomization，中文叫区组随机化或分块随机化。听起来学术，说白了就是一句话：
先把样本按某些特征分到不同的"块"里，再在每个块内部做随机分配。
拿我刚才那个实验举例。如果当时我把12个样本先按批次分成两个块——每个块里都有3个处理组和3个对照组，再在每个块内随机分配上机顺序。那就算两个批次之间有偏差，每个批次内部的处理组和对照组也是均衡的。差异分析时，批次效应就能被有效剥离。
核心思想： Block Randomization = 分层 + 随机化。层（块）间允许存在差异，但层内差异被最小化。
我习惯用一个表格来对比它和简单随机化的区别：
| 对比维度 | 简单随机化 | Block Randomization |
|---|---|---|
| 批次分布 | 可能严重不均 | 强制每个块内均衡 |
| 操作复杂度 | 低 | 中等 |
| 对抗批次效应 | 弱（靠运气） | 强（靠设计） |
| 适用场景 | 无批次效应风险 | 有明确批次变量 |
| 统计检验力 | 可能被削弱 | 得到保护 |
4.3 块大小（Block Size）怎么定
Block Randomization 有个关键参数——块大小。也就是每个块里放多少个样本。
块大小的选择直接影响均衡效果。
先看基本原则。如果实验有 k 个处理组，每组在每个块里放 n 个样本，那块的尺寸就是 k × n。比如两组比较（k=2），每组在每个块里放3个样本，块大小就是6。
# 块大小的计算逻辑
# 2个处理组，每组每块3个样本
block_size = 2 * 3 # = 6这里有两个常见问题：
- 块太小：比如块大小等于处理组数（每组只放1个样本）。会限制随机化的灵活性，容易引入偶然偏差。
- 块太大：块内样本数过多，失去了"分块控制"的意义。块内的变异会变大，批次效应的控制效果下降。
我个人的经验是： 块大小取处理组数的 2～4 倍比较稳妥。既能保证块内均衡，又保留足够的随机化空间。
小技巧： 如果你用固定块大小，而且块大小正好等于处理组数，那最后一个样本的分配其实是被迫的——这会让随机化形同虚设。建议块大小至少是处理组数的2倍，或者使用随机化块大小（交替使用不同尺寸的块）。
还有一个实战细节——要不要用固定块？
固定块：每个块的尺寸一样。优点是简单，缺点是如果实验人员知道块大小，可能会猜到最后一个样本的分配。这在双盲实验中是个隐患。
随机块：在预设区间内随机变换块大小。比如有时用4，有时用6，有时用8。我一般推荐随机块，能有效防止分配被预测。
4.4 Block Randomization 如何阻断批次效应
这块是核心。我用一张图来展示它的工作流程：
这张图的逻辑很直白：样本先按批次分块，每个块再独立做随机分配。最后各组都包含了来自所有批次的样本。这样一来，组间差异就不可能被批次差异污染。
我反复强调一个观点： Block Randomization 不是在消除批次效应，而是通过设计让批次效应与实验条件正交。正交了，统计分析就能把批次效应单独剥离出来。
4.5 几种常见的变体
实际项目中，Block Randomization 有几个常用变体。我简单列一下：
- 置换块随机化：在块内列出所有可能的分配组合，随机选一个。这是最经典的做法，也是许多统计包的默认方案。
- 分层 Block Randomization：当有多个分层变量时（比如批次+性别+体重），先按多个变量交叉分层，再在每个层内做分配。注意层数别太多，否则可能出现空层。
- 自适应随机化：根据当前已经分配的情况动态调整后续分配概率，让各组在关键协变量上保持均衡。这个用得较少，但效果很好。
我个人用得最多的是置换块随机化。它实现简单，结果易解释，审稿人也认。
4.6 什么时候该用 Block Randomization
不是所有实验都需要 Block Randomization。我给自己定了几个判断标准：
- 明确存在批次变量——比如测序批次、试剂批次、操作人员、测量日期。只要这些因素可能影响结果，就该分块。
- 样本量不够大——如果样本量足够大，简单随机化也能把批次效应"平均掉"。但说实话，生物实验的样本量通常没那么宽裕。
- 结果对批次敏感——像 RNA-seq、蛋白质组学这类高通量数据，批次效应特别明显。不做分块基本等于给自己挖坑。
避坑提醒： 我曾经在一个项目中把分块变量搞错了——把"测量日期"作为分块变量，但每个日期块内的样本量太少，导致后续统计检验力严重不足。分块变量必须选那些对结果影响大、但又不是实验主效应的因素。而且每个块里要有足够的样本量，至少每组 2～3 个。
总结一下我的经验：只要实验涉及多个批次、多台仪器、多个操作人员或较长的时间跨度，就老老实实用 Block Randomization。多花十分钟做实验设计，省掉后面几个月的排查痛苦。这笔账，怎么算都划算。