第3章：ComBat方法概述
这一章我们聊聊ComBat这个方法到底是怎么回事。很多做质谱的朋友第一次听到ComBat时，会以为它是什么新出的化学试剂——说实话，我第一次接触这名字时也愣了一下。其实它是个统计方法，全称是Combating Batch Effects，直译过来就是“对抗批次效应”。
ComBat最早不是为质谱数据设计的，它诞生于基因表达芯片时代。后来组学技术发展了，蛋白组和代谢组的研究者发现，自己遇到的批次问题跟当年芯片领域简直一模一样。于是ComBat就这样“跨界”了。我个人觉得，这是生物信息学里最成功的方法迁移案例之一。
3.1 ComBat的发展历程
这事得从2007年说起。约翰霍普金斯大学的Jeff Leek团队发表了ComBat的原始论文。当时基因表达芯片正火，但有一个问题让所有人头疼：不同批次、不同实验室、不同时间做的芯片数据，根本没法直接比较。
我早年做过一批芯片数据分析，两个批次的结果在PCA图上直接分成了两团，跟生物学差异一毛一样。我当时差点以为发现了什么新的亚型——后来查记录才发现，两批数据用了不同批号的试剂。嗯，这就尴尬了。从那以后我对批次效应就有了心理阴影。
ComBat最初被用来校正基因芯片数据。后来的发展大致经历了三个阶段：
| 阶段 | 时间 | 主要应用领域 |
|---|---|---|
| 诞生期 | 2007-2010 | 基因表达芯片 |
| 扩展期 | 2011-2016 | RNA-seq、甲基化芯片 |
| 质谱期 | 2017-至今 | 蛋白组、代谢组质谱数据 |
到2020年以后，我几乎每做一个质谱项目都会试试ComBat。不管是用TMT标记的蛋白组，还是LC-MS的代谢组，只要涉及到多批次数据合并，ComBat几乎成了标准流程。
3.2 为什么质谱数据需要ComBat
你想想看，质谱仪器本身就有波动。今天和明天跑的同一批样品，峰强度可能差30%。如果换成不同实验室、不同质谱平台，差异就更大了。但偏偏科研设计中，我们又经常需要把多批次数据放在一起分析。
典型的场景包括：
- 长期队列研究：样本采集跨度几个月甚至几年，需要分批上机
- 多中心合作：不同实验室的数据需要汇总分析
- 技术更新：仪器升级后新旧数据需要合并
- 大规模筛查：一个批次跑不完所有样本
我在一个代谢组项目中遇到过这种情况：三个批次的质控样品，其内标的RSD在批次内都在10%以内，但跨批次比较时RSD直接飙到了40%。如果不做校正，后面找生物标志物基本就是缘木求鱼。
3.3 ComBat的基本假设
任何统计方法都有自己的假设前提，ComBat也不例外。理解这些假设很重要，因为假设被违背后，校正效果会很差。
ComBat的基本假设有三个：
- 大多数特征是技术无关的：大部分代谢物或蛋白在不同批次间的真实丰度没有系统性差异
- 批次效应是加性/乘性的：批次效应可以分解为位置偏移和尺度变化
- 批次间有共享特征：不同批次中相同特征的生物学变异程度是可比的
说白了，ComBat假设批次间的大多数差异都来自技术因素，而不是生物学因素。如果你实验设计本身就让批次和分组绑在一起，那ComBat也救不了你。
3.4 ComBat的核心思想
ComBat的核心思想可以用一句话概括：利用经验贝叶斯框架，从数据中估计出批次效应的参数，然后把这些效应从原始数据中剥离掉。
具体来说它做了三件事：
- 第一步：标准化。对每个特征，减去整体均值，再除以整体标准差。这一步把所有特征都拉到相似的尺度上。
- 第二步：估计批次参数。对每一个批次，估计它的位置参数（均值偏移）和尺度参数（方差变化）。这一步用到了经验贝叶斯——说白了就是“借力”，让信息在不同特征之间共享。
- 第三步：校正。用估计出的参数反向修正原始数据，把批次效应从数据中“减掉”。
3.5 ComBat与质谱数据的适配性
为什么ComBat在质谱数据上表现好？我总结了几个原因：
- 质谱数据的批次效应往往是系统性的：同一特征在不同批次中的变化趋势一致，这正好符合ComBat的设计
- 特征数量大：蛋白组和代谢组通常有成百上千个特征，经验贝叶斯需要这种“大特征量”的环境才能发挥优势
- 标准化操作有利于质谱数据：质谱数据本身变异度大，标准化后可以更好地估计批次参数
一个关键区别需要留意：
基因芯片时代用的是log2强度的数据，质谱时代通常用的是log2转化的峰面积或丰度值。操作上是一致的，但质谱数据的缺失值问题更严重。未经处理的缺失值会干扰ComBat的估计过程。这个后面我会专门讲如何处理。
不过ComBat不是万能的。它对实验设计很敏感。如果批次和分组完全重合——比如病人都在批次1，对照都在批次2——ComBat就无法区分批次效应和生物学效应。这种情况，我建议你先重新设计实验，再考虑校正方法。
还有一点要记住：ComBat校正的是统计意义上的批次效应，它不能解决由于样本处理不一致带来的系统偏差。如果你的第一批样本放在-80℃，第二批样本在-20℃放了三个月，那ComBat也帮不了你。
3.6 什么时候不该用ComBat
这些年我见过不少ComBat被误用的案例。下面几种情况，我建议你慎重：
| 情况 | 为什么不行 | 替代方案 |
|---|---|---|
| 批次与分组完全混淆 | 无法区分批次效应和生物学效应 | 重新设计实验，或放弃合并 |
| 单一特征只有一个批次有数据 | 无法估计跨批次参数 | 剔除该特征，或手工补齐 |
| 数据缺失率超过50% | 估计不稳定，可能引入新偏差 | 先做缺失值插补，再用ComBat |
| 样本量极不均匀 | 小批次估计不可靠 | 合并小批次，或用其他方法 |
我记得有次在跨中心数据合并时，一个中心只有3个样本，另一个中心有200个。ComBat跑完以后，那3个样本的数据几乎被拉到了全局均值的附近，完全失去了原有特征。事后分析，这其实就是经验贝叶斯“借力”借过头了——小批次的信息完全被大批次覆盖掉了。
好了，ComBat的方法论基本就这些。你看，它不是什么高深莫测的东西，本质上就是一个用统计方法拆掉批次“标签”的过程。