1、批次效应概述
我记得刚入行做生物信息分析那会儿，接过一个转录组项目。样本量不大，就二十几个，但测序分了两批做。结果PCA一画，第一批和第二批的样本乖乖分成了两群，压根不按实验分组来。当时我盯着那张图，心里直发毛——这数据还能用吗？
后来我才搞明白，这就是典型的批次效应（Batch Effect）。说白了，就是非生物学因素引入的系统性误差。它不是你的实验处理造成的，而是因为样本处理时间不同、试剂批号不同、操作人员不同这些“乱七八糟”的原因导致的。
什么是批次效应
批次效应，我更喜欢叫它“数据里的鬼影”。它藏在你的测量值里，跟你关心的生物学差异混在一起。你很难一眼看出来，但它实实在在影响着分析结果。
举个简单的例子。你测两组小鼠的基因表达，一组对照，一组给药。对照组和给药组各一半在第一周测，另一半在第二周测。结果你发现，不管给不给药，第二周测的样本表达量普遍偏高。这就是批次效应——时间这个批次变量，把你的数据“带歪”了。
| 概念 | 说明 |
|---|---|
| 生物学变异 | 你真正关心的差异，比如疾病vs正常、处理vs对照 |
| 技术变异 | 测量过程引入的噪声，但随机且可接受 |
| 批次效应 | 技术变异的一种，但具有系统性、非随机性，严重时会掩盖生物学信号 |
为什么需要消除批次效应
这个问题我当年也问过导师。他的回答很直接：“你不消除它，它就会替你‘分析’数据。”
具体来说，有这三个原因：
- 假阳性暴增——你以为是差异基因，其实是批次差异。我踩过这个坑，汇报时被审稿人一眼看穿，场面一度很尴尬。
- 假阴性漏检——真实差异被批次噪声淹没，该发现的没发现。这对药物靶点筛选来说是致命的。
- 结果不可重复——别人用你的方法，换一批样本再做，完全复现不出来。你的文章谁还敢信？
你想想看，如果你花了大半年时间做了一个预测模型，结果换了个批次的数据就崩了，那前面的工作还有什么意义？所以，批次校正不是锦上添花，而是数据分析前必须做的基础工作。
批次变异的来源与影响
批次的来源太多了。我把它们归为几类，用表格列出来比较清楚：
| 来源类别 | 具体因素 | 影响程度 |
|---|---|---|
| 实验操作 | 不同操作人员、不同时间、不同仪器 | 高 |
| 试剂耗材 | 试剂批号、芯片批次、抗体差异 | 高 |
| 环境条件 | 温度、湿度、实验室搬迁 | 中 |
| 测序/检测 | 不同测序通道、不同运行轮次 | 高 |
| 数据预处理 | 不同软件版本、不同归一化参数 | 中 |
不过，实验设计再完美，批次效应也几乎无法完全避免。这就是为什么我们需要统计学方法来做校正。LOESS回归归一化就是我比较喜欢的一种方法，因为它不假设数据的分布形态，灵活且稳健。
嗯，这里要注意一点：批次效应有一个特点，叫做“非平衡设计”时最麻烦。什么意思呢？就是如果某个批次里全是处理组样本，另一个批次里全是对照组样本，那批次效应和组别效应就完全纠缠在一起了，神仙也分不开。所以，实验设计一定要讲武德。
下面这张图展示了批次效应是如何在数据中“嵌入”的，以及我们的校正目标是什么。
批次效应的影响，我总结成一句话：它让你的数据“说谎”。你看到的不再是生物学真相，而是技术偏差。严重的时候，组间差异的1/3甚至一半都是批次效应贡献的。你想想看，这种情况下你找的差异基因，有多少是靠谱的？
我在做多中心数据整合时，这个问题尤其突出。不同实验室、不同时间点的数据合在一起，批次效应花样百出。有时候光靠简单的归一化根本搞不定，必须上更灵活的方法——这就是我们后面要讲的LOESS回归归一化派上用场的地方。