批次效应与CV基础：什么是批次效应？为什么评估CV分布？

蛋白质组学实验，说白了就是一场跟仪器、试剂、操作流程的博弈。我在这个行业干了十几年，最深的一个体会是——数据好不好，往往不是取决于你的样本有多珍贵，而是你有没有把“批次”这个变量管住。今天这章，我们就来聊聊批次效应和CV分布这两个最基础、也最容易被忽视的概念。

什么是批次效应？

先给你一个场景。你手上有50个临床样本，分三批上质谱。第一批用试剂盒A，第二批试剂盒B，第三批是实验室新来的实习生操作的。跑完一看——咦？第一批的蛋白表达量整体偏高，第三批偏低，第二批居中。你心想：这是真实的生物学差异吗？

大概率不是。这就是批次效应——由非生物学因素（仪器、试剂、操作者、环境温度、时间跨度）引入的系统性偏差。它就像一层滤镜，把真实信号和虚假噪音搅在一起，你根本分不清哪个是真实的差异，哪个是实验造成的假象。

我印象特别深的一次——有个合作项目，两组样本分别在不同月份上机。我一开始没注意批次标签，直接差异筛选，出来的候选蛋白有60%是假阳性。嗯，从那以后，我拿到任何多批数据集，第一件事就是看图、看分布、看观察。

批次效应在蛋白质组学中的表现

具体来说，批次效应会在三个层面露出马脚：

1. 全局层面：整体强度分布偏移，箱线图可以看出不同批次的均值、中位数明显不同。
2. 蛋白层面：部分蛋白的表达量随批次剧烈波动，而这些蛋白跟生物学条件根本无关。
3. 统计层面：PCA/t-SNE可视化中，不同批次的样本自然聚集，而不是按实验组/对照组分开。

层面	表现	怎么发现
全局	强度分布偏移	箱线图、密度图
蛋白	部分蛋白表达波动大	CV分布图、热图
统计	样本按批次聚类	PCA、t-SNE

为什么评估CV分布？

好，现在你已经知道什么是批次效应了。但问题来了——你怎么知道一个蛋白受批次效应影响有多大？

靠直觉？不行。凭经验？也不够。你需要一个量化指标。

我个人习惯用的指标就是变异系数，CV。CV = (标准差 / 均值) × 100%。说白了，就是看一个蛋白在不同批次间重复测量时，数值波动有多大。

• CV低（通常< 20%）：这个蛋白在不同批次间稳定，受批次效应影响小。
• CV高（通常> 30%）：这个蛋白在不同批次间波动大，可能存在批次效应。
• CV极高（> 50%）：基本可以判定这个蛋白被批次效应深度污染，做差异分析时要小心。

评估CV分布的价值有三点：

1. 筛选稳定蛋白：作为内标或参考蛋白，优先选择那些CV全局最低的蛋白。
2. 识别批次特异性蛋白：某个蛋白只在特定批次中CV高，在其他批次中正常——这可能说明批次特异性污染或降解。
3. 制定质量控制阈值：比如全蛋白CV的中位数< 20%，说明数据质量可以接受；大于30%就得考虑校正或剔除。

CV基础概念与计算

聊到CV，我先把基础公式给你。假设某个蛋白在3个批次中分别测量了n1、n2、n3次，那么：

# 假设 data 是一个包含该蛋白所有测量值的列表
import numpy as np

cv = np.std(data) / np.mean(data) * 100
print(f"CV = {cv:.2f}%")

但注意——这个计算是针对每个蛋白做的。你需要对数据集中的所有蛋白重复这个过程，然后得到一个CV的分布。这个分布的形状、中位数、90%分位数，都能告诉你批次效应的整体情况。

为什么我不建议只用一个阈值判断？

• 如果全蛋白CV分布偏左（大部分< 15%），说明批次控制得好。
• 如果分布右尾很长（有相当一部分蛋白CV > 40%），说明存在批次效应。
• 如果分布出现双峰——一部分很低，一部分很高——这是最麻烦的情况，说明批次效应只影响了部分蛋白，而不是全局。

你想想看，双峰分布意味着什么？意味着全局校正方法（比如Quantile normalization）可能会把稳定蛋白也校正一遍，反而引入新的误差。

最后，给你一张本章的知识框架图，把批次效应、CV评估和决策路径串起来——

这张图把本章的核心逻辑串起来了：批次效应从多个来源产生，会通过各种表现暴露问题；而评估CV分布是我们识别问题、制定阈值、识别异常蛋白的核心手段；最终根据CV分布的形状，决定下一步的校正策略是全局性的还是蛋白特异性的。

记住一句话：CV分布不是给你看的，是给你决策用的。