1. 为什么需要批次效应检测？

做组学数据分析的人，十有八九都遇到过这个场景：明明是一个实验设计，样本分了两批测序，结果一跑主成分分析，第一批和第二批样本各自聚成一团，根本不按生物学分组来。我第一次碰上这事还以为是代码写错了，折腾了两天才反应过来——这就是典型的批次效应。

说白了，批次效应就是非生物学变量引入的系统误差。它把数据中真实的生物学信号和无关的技术噪声搅在一起。如果你不提前把它揪出来，后续差异分析、聚类、分类全都会跑偏。今天这一章，我们就聊聊批次效应到底是什么、从哪来、为什么非管不可。

1.1 什么是批次效应？

批次效应是指不同实验批次之间因操作条件、试剂、仪器等非生物学因素导致的数据系统性偏移。举个我实际遇到的例子：一个RNA-seq项目，A批次用了旧版试剂盒，B批次换了新版，结果两组样本在表达矩阵前10个主成分上直接裂开，而生物学分组（肿瘤 vs 正常）反而被掩盖了。

更直观一点，看这张简化图：

1.2 批次效应从哪来？

根据我的经验，批次效应的来源可以归纳成几类，我列了一个表：

你想想看，上面任何一条单独拎出来可能影响不大，但要是几个因素叠加，数据里的“批次标签”往往比“生物学分组”还显著。

1.3 批次效应带来的麻烦

不检查批次效应直接做分析，后果挺严重。

• 假阳性膨胀：差异基因筛选时，批次间差异被误认为处理效应。
• 假阴性激增：真实生物学差异被批次噪声淹没，统计检验检不出来。
• 聚类失效：样本按批次聚团，生物学亚型分不开。
• 模型过拟合：机器学习分类器学到的其实是批次标签，而非生物分组。

我曾经接过一个客户的项目，他们跑完差异表达拿到了500多个“显著基因”，复查后发现有300多个纯粹是批次差异导致的。从那次以后，我把批次效应检测写到了所有组学分析流程的第一步。

1.4 怎么检测？——PCA 聚类初步判断

检测批次效应的方法很多，但最常用、最直观的开局手段就是主成分分析（PCA）加上聚类可视化。为什么用PCA？因为它能在不预设分组的情况下把数据最大方差方向展现出来。如果第一个主成分（PC1）能清晰分开两个批次，那大概率有批次效应。

流程大致是这样：

1. 读入表达矩阵，样本按批次标记颜色。
2. 标准化（可选），运行PCA降维到前两个主成分。
3. 绘制散点图，观察批次是否聚团。
4. 如果PC1/PC2明显分为几坨，且颜色和批次吻合——警报拉响。

下面这张图概括了整体思路：

1.5 什么时候必须做批次效应检测？

没有例外。只要数据来自多个实验批次，无论操作多规范，我都会先跑一遍PCA。具体场景：

• 公共数据库中合并多个数据集（如 TCGA + GTEx）
• 多中心临床队列
• 跨平台比较（芯片 vs 测序）
• 时间跨度大的同实验室项目