2. 批次效应的定义与影响

大家好，我是你们这门课的主讲。今天我们聊聊批次效应。

说白了，批次效应就是实验过程中，因为“非生物学因素”引入的系统性偏差。举个例子，同样一批样品，今天做的和下周做的，结果就是不一样。我刚开始搞生信那会儿，总以为数据拿到手就能直接分析，结果吃了不少亏。

为什么会这样？你想想看，实验的每一步——试剂、耗材、仪器、操作员、甚至当天的温湿度——都在变。这些变化会像幽灵一样，悄悄混进你的数据里，跟真正的生物学差异纠缠在一起。

2.1 什么是批次效应？

批次效应(Batch Effect)是生物信息学里绕不开的坑。它不是噪声，而是有结构的偏差。噪声是随机的，多测几次能平均掉；批次效应不一样，它在同一批样本中表现一致，在不同批之间却差异明显，会造成假阳性，也会掩盖真实的差异。

我记得在一篇经典的论文里，研究者被问到“你为什么用了三年才发表结果？”，他无奈地说：“前两年半都在跟批次效应搏斗。” 这可不是玩笑话。

2.2 批次效应的主要来源

我把自己踩过的坑整理成了一个表。这些来源，你早晚会遇到：

来源类别	具体因素	典型场景举例
技术差异	芯片/试剂批次不同	两个批次的RNA-seq试剂盒，试剂有效期差3个月
操作差异	实验人员不同	A操作员和B操作员提取RNA的手法不一样
环境差异	时间、温度、湿度	夏天做的实验 vs 冬天做的实验
仪器差异	测序仪型号/通道不同	Illumina HiSeq 4000 vs NovaSeq 6000
处理流程差异	文库构建方法、PCR循环数	10 cycles PCR vs 12 cycles PCR

这些因素单独出现的概率不大，但组合起来，几乎每次大型项目都会碰上。我以前处理过一个多中心的RNA-seq数据，五个医院、十台测序仪、六位操作员——那数据简直是一场噩梦。

2.3 批次效应的影响

批次效应到底会造成什么后果？我挑几个最直接的来说：

• 假阳性显著差异： 你的两组样本本来没差别，但因为批次不同，差异表达分析跑出来几万个显著基因。我之前有个同事，满心欢喜地提交了论文，结果审稿人一句“你把批次效应矫正了没？”就让文章打回来了。
• 假阴性真实差异被掩盖： 真阳性信号被批次效应淹没。你明明做了一个很关键的药物处理，结果PCA图上，批次成了最大的分离因素，处理组反而没分开。
• 聚类分析混乱： 无监督聚类时，样本不按生物学分组聚集，而是按批次“抱团”。这是一个最直观的警示信号。
• 下游分析全部偏倚： 机器学习模型学到的是批次特征，而不是生物学特征。模型泛化能力极差，换个批次的数据就失灵。
• 可重复性崩塌： 同一个实验室、同一个实验，换个时间重复做，结论居然对不上。这是最让PI头疼的事。

2.4 一个真实的批次效应案例

抽象讲概念总有些隔靴搔痒，我们来解剖一个具体的案例。

2016年有一项关于阿尔茨海默症的研究，涵盖两个批次、共120个样本的转录组数据。我拿到数据后，第一步就是跑PCA可视化。结果如下：

# 这是我当时的R代码片段（Python同理）
library(ggplot2)
pca_res <- prcomp(t(expr_matrix), scale. = TRUE)
pca_df <- data.frame(pca_res$x[, 1:2],
                     Batch = meta_data$Batch,
                     Diagnosis = meta_data$Diagnosis)
ggplot(pca_df, aes(x = PC1, y = PC2, color = Batch, shape = Diagnosis)) +
  geom_point(size = 3) +
  theme_minimal()

你知道我看到了什么吗？PC1(贡献度38%)，完完全全把Batch1和Batch2分开了，而疾病组和对照组混在一起，不见任何分离。

我用差异分析跑了一下，不加批次校正前，有2400个基因差异显著(FDR < 0.05)。但校正后——你猜怎么着？只剩下120个。也就是说，90%以上的“差异”都是批次效应制造的假象。

如果当时我没有识别出这个批次效应就直接往下走，后果就是：花了几个月的时间和经费去验证一堆假阳性的靶点，最后发现全部是无法复现的泡沫。

2.5 如何初步识别批次效应

下面这张图梳理了批次效应从产生到被发现的完整路径。它可以帮助你建立一种“侦查”思维：

看懂这张图了吗？整个过程就像一条河流：源头分成三个批次，每个批次都带着自己的“颜色”流下来，经过数据处理后，最终汇集成一个数据湖。这时候如果我们不加干预地做PCA，看到的“主成分”很可能只是批次的颜色，而不是生物学的内容。

2.6 简单的识别步骤

我建议你拿到数据后按以下流程走一遍：

1. 检查数据的分组结构： 用table()函数看批次与生物学分组是否完全混杂。
2. 运行PCA： 用前2个主成分做散点图，颜色标批次，形状标分组。
3. 目视检查： 如果PC1方向上，批次之间明显分离，且分离幅度大于分组间的分离——基本可以判定有批次效应。
4. 方差分解： 计算PC1是否与批次强相关，用ANOVA或卡方检验。

# Python 示例：快速检查批次效应
import pandas as pd
import numpy as np
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt

# 假设 expr_df 是基因表达矩阵 (n_genes × n_samples)
pca = PCA(n_components=2)
pca_result = pca.fit_transform(expr_df.T)

plt.figure(figsize=(8,6))
for batch in meta['batch'].unique():
    idx = meta['batch'] == batch
    plt.scatter(pca_result[idx, 0], pca_result[idx, 1],
                label=f'Batch {batch}', alpha=0.7, s=50)
plt.xlabel(f'PC1 ({pca.explained_variance_ratio_[0]:.1%})')
plt.ylabel(f'PC2 ({pca.explained_variance_ratio_[1]:.1%})')
plt.legend()
plt.title('PCA colored by batch — 警惕批次效应！')
plt.tight_layout()
plt.show()

我特别想说一句：不要只靠自动化的“批次校正算法”来解决问题。先做视觉诊断，理解你的数据里到底发生了什么，这才是生物信息学家的基本功。自动化工具只是帮手，决策还是得你来。