4、批次效应可视化：用眼睛发现批次结构

数据跑完了，差异基因也筛了，但总觉得结果不太对？别急着下结论。我个人习惯，拿到整合后的表达矩阵，第一步不是做差异分析，而是先画个散点图看看。批次效应这玩意儿，光靠统计指标不够直观，眼睛往往比任何检验都更早发现问题。

这一章咱们聊聊怎么用降维可视化来“看见”批次结构。说白了，就是给你的数据拍张合照，按批次涂上颜色——如果某几个批次的细胞各自抱团，那就是批次效应在作祟。

4.1 为什么可视化是批次诊断的第一站？

想象一下，你做了两个批次的实验，一个在A试剂，一个在B试剂。如果你直接把所有细胞混在一起分析，聚类结果很可能被试剂差异主导，而不是真正的生物学差异。可视化能让你在几分钟内判断：批次分离得有多严重？是全局偏移还是局部混淆？

常用的降维方法有三个：PCA、tSNE、UMAP。它们各有侧重，我一般这么用——先PCA快速扫一眼，再拿UMAP精细观察。tSNE呢？嗯，它计算慢、随机性大，我平时用得少，但有些人特别喜欢用它做最终展示图。

4.2 PCA散点图——第一步诊断

PCA是线性降维，计算快，重现性好。我通常取前两个主成分（PC1 vs PC2），每个点代表一个细胞，颜色按批次标注。

举个代码例子（这里用Python的scanpy库，R的Seurat也类似）：

import scanpy as sc
import matplotlib.pyplot as plt

# 读取数据，假设已合并
adata = sc.read("merged.h5ad")

# PCA计算
sc.tl.pca(adata, n_pcs=50)

# 画图，按批次着色
sc.pl.pca(adata, color="batch", title="PCA - Batch-colored")
plt.show()

画出来的图通常有两种情况：

• 批次混合良好：不同颜色点相互交织，没有明显分群。
• 批次分离明显：某个批次的细胞聚成一团，与其他批次隔开。这时候就需要做批次校正了。

我还记得有一次，PCA图上PC1和PC2刚好把两个批次分开，但PC3却显示出某个亚群的差异。这说明批次效应可能只影响少数维度，这时候只看前两个PC容易被骗。所以我也建议你多检查几个PC组合，比如PC3 vs PC4。

4.3 UMAP / tSNE——高维降维的细节

PCA看的是“大趋势”，但单细胞数据往往包含很多非线性结构。这时候UMAP和tSNE的优势就体现出来了——它们能保留局部邻域关系，把相似细胞拉得更近。

特征	PCA	tSNE	UMAP
线性/非线性	线性	非线性	非线性
速度	快	慢（尤其大样本）	较快
重现性	高	低（需固定随机种子）	中（受参数影响大）
对批次效应敏感性	全局分离明显	局部结构清晰	兼顾全局与局部
参数敏感度	低	高（perplexity）	中（n_neighbors, min_dist）

我个人强烈建议：先用PCA看全局，再用UMAP看细节。画UMAP时，一定要注意 n_neighbors 这个参数。我见过有人把这个值设成5，结果每个批次都碎成小团，看起来像完美分离——其实是过拟合了。默认15～30是个稳妥区间。

# 计算UMAP
sc.tl.umap(adata, n_neighbors=20, min_dist=0.3)

# 画图，按批次和生物学分组同时着色
sc.pl.umap(adata, color=["batch", "cell_type"], 
           wspace=0.5, title=["UMAP by batch", "UMAP by cell type"])

tSNE呢？我只有在数据量小于1万个细胞时才用它。而且一定要设置 random_state 或 seed，否则每次运行结果都不一样，无法复现。这是避坑指南里一定要写的：永远固定随机种子。

4.4 如何解读这些图？

画完图，看什么？我列个清单：

1. 按批次着色，看分群：不同颜色是否各自成团？如果是，批次效应明显。
2. 按细胞类型着色，看生物学信号：同一个细胞类型是否跨批次混合？如果是，说明整合效果不错。
3. 检查离群批次：有没有一个批次完全脱离主体？可能是技术原因（如测序深度不同）。
4. 对比校正前后：如果把校正前的图和校正后的图并排放置，能直观看到批次效应被消除。

4.5 常见陷阱（避坑）

画图本身不难，难的是不犯低级错误。我把自己踩过的坑分享给你：

• 颜色盲：我曾经用红绿配色区分两个批次，结果合作者恰好是红绿色盲。现在我都用tab10或viridis色板，或者用形状/透明度辅助区分。
• 忽略了杂乱的图例：批次太多时，默认图例挤成一团。记得调大legend_loc或单独保存图例。
• 过度依赖tSNE的“云团”：tSNE的全局距离没有意义，两个远距离的团未必在生物学上不同。UMAP相对好一些，但也不完美。
• 忘记检查PCA的载荷图：如果某些批次在PC1上分离，可以去看看是哪些基因贡献最大。有时候批次效应是由一两个高表达基因引起的。

4.6 可视化流程总结

为了让你对整个可视化诊断流程有整体印象，我画了一张流程图：从原始数据到降维，再到按批次着色，最后判断是否需要校正。注意，这些步骤不是一次性的——你校正完应该再画一次，对比前后效果。

这张图覆盖了核心流程：

• 从合并后的表达矩阵出发，先做PCA（线性、快速）。
• 然后分支到PCA散点图和UMAP/tSNE，两者各有侧重。
• 最后综合判断：如果看到清晰批次分离，就需要进行批次校正；如果混合良好，就可以进入下游聚类和差异分析。