第2章：批次效应概念——你数据里藏着的“隐形干扰”

做质谱数据分析时间长了，你可能会遇到这种情况：明明是对照组和实验组，但聚类的时候，样品不是按分组聚在一起，而是按“哪天上机”分的堆。嗯，这大概率就是批次效应在捣乱。

记得我刚入行那会儿，处理一批血浆样本的蛋白组学数据，差异蛋白列表一出来，足足300多个。我当时挺兴奋，觉得发现了新大陆。结果仔细一看，大部分差异都跟实验条件没关系，而是因为第一批样品和第二批样品换了一根色谱柱。那次教训太深刻了，从此我对批次效应就格外敏感。

批次效应到底是什么

说白了，批次效应就是不同批次实验带来的系统性偏差。它不是随机噪声，而是一种有规律的偏移。

你想想看，同一台质谱仪，今天开机和明天开机，仪器状态能完全一样吗？校准液配方、离子源的清洁程度、真空度，这些参数都会有细微差别。这些差别反映在数据上，就是某个批次的样品整体信号偏高，或者某个质荷比范围有偏移。

我习惯用一张图来理解它：

批次效应从哪来——三个主要根源

我在实际项目中总结过，批次效应的来源可以归成三类，我管它们叫“三座大山”。

批次效应怎么干扰你的分析结果

你可能会想，不就是有点偏差吗，影响能有多大？我告诉你，这可不是小问题。

第一，假阳性激增。 如果你的实验设计是批次和分组完全混杂——比如第一批全是对照组，第二批全是处理组——那么统计检验根本分不清差异是来源于处理效应还是批次效应。结果就是，你会把仪器漂移导致的信号变化，当成蛋白质表达量变化。

第二，定量严重偏差。 我做过一个验证实验：同一份血清样本，分三批上机。结果同一个蛋白在第一批的定量值是第二批的2.6倍。你想想，如果没有校正，这种误差能把正常值都变成“显著差异”。

第三，聚类和分类完全乱掉。 主成分分析(PCA)图上，按道理样品应该按生物学分组聚集。但批次效应会让样品按批次聚集，你根本看不到真实的生物学结构。我曾经盯着一张PCA图发呆了两个小时，就是找不出为什么对照组和处理组会分成两堆——后来才发现其实是第一批和第二批的差异。

观测值 = 真实生物学信号 + 批次效应 + 随机噪声
        ↓                ↓                ↓
  你想找的        必须消除的        可以容忍的

如何判断你的数据有没有批次效应

经验告诉我，不用急着搬什么高大上的算法，先做两步简单的检查：

1. 肉眼观察：画个PCA图，按批次染色。如果同批次样品聚在一起，不同批次明显分开——嗯，批次效应已经很明显了。
2. 统计检验：对每个蛋白/代谢物做批次间差异分析，看看显著差异的比例是不是远高于理论值。

我常用的检查代码长这样：

# R语言示例：快速检查批次效应
library(ggplot2)

# dat: 表达矩阵，行为样品，列为蛋白
# batch: 批次标签向量

pca_result <- prcomp(dat, scale. = TRUE)
pca_df <- data.frame(PC1 = pca_result$x[,1], 
                     PC2 = pca_result$x[,2],
                     Batch = batch)

ggplot(pca_df, aes(x = PC1, y = PC2, color = Batch)) +
  geom_point(size = 3) +
  theme_minimal()

一个真实的案例拆解

去年我帮一个合作者处理临床血清样本的数据。120个样本，分6批采集，每批20个。合作者说“操作流程很严格，应该没什么问题”。

我拿过来一看，先跑了个PCA。结果你猜怎么着？6批样品在PC1上排得整整齐齐，就好像按采集时间排了个队。我跟他说：“你这数据里，第一批和第二批的差异，比你处理组的效应还要大两倍。”

他不信。我算了个数字给他看：

# 批次效应 vs 处理效应 粗略比较
# 计算批次间的平均距离
batch_center <- aggregate(pca_df[,1:2], by=list(Batch=batch), FUN=mean)
# 计算处理组间的平均距离
trt_center <- aggregate(pca_df[,1:2], by=list(Treatment=treatment), FUN=mean)

# 结果：批次间距离 5.8，处理间距离 2.3
# 批次效应强度的确大于处理效应

后来我们用ComBat做了校正，校正后再跑PCA，6批样品就彻底混合在一起了，处理组和对照组的差异这才真正显现出来。原来只有12个差异蛋白，校正后找到了37个——里面好几个是已知的疾病标志物。