2. 批次效应概述
在我刚开始做大规模质谱蛋白质组学的时候，有个项目让我印象特别深。一千多个临床样本，分成了八批上机。我说怎么跑了三批之后，某些蛋白的表达趋势突然就变了。我当时甚至怀疑是不是样本搞混了。后来才意识到，这就是批次效应（Batch Effect）在作怪。
到底什么是批次效应？
很简单。你分多批做实验，每批之间的测量结果存在系统性偏差，跟生物学差异无关。说得再直白点：同一个样本，分开两天上机，结果不一样。而且这种误差不是随机噪声，它是有偏向的。
我个人习惯把批次效应拆成两个层面理解：
- 技术层面：仪器状态、试剂批次、操作人员、环境温度等变化带来的全局偏移。
- 数据层面：在PCA或者聚类图上，样本不是按生物学分组聚集，而是按批次聚集。
你想想看，如果你的对照组和治疗组刚好在不同批次里，那这两个组之间的差异到底是药物效果还是批次效应？完全分不清。这在多批次实验中尤其要命。
为什么多批次实验里批次效应尤其严重？
单批次实验，所有样本一起处理，即使有技术误差，也是均匀分布在整个数据集里的。但多批次实验不一样。
我曾经在一个合作项目中遇到这样的情况：项目分六个月完成，前三个月跑的是健康对照组，后三个月跑的是疾病组。结果不用我说，你会看到疾病组与对照组之间有几百个蛋白显著差异。但仔细一看，其中至少一半都是批次效应造成的伪差异。
核心矛盾：批次效应与生物学差异在统计上完全耦合，你无法仅凭数据判断哪个是真哪个是假。
还有一个容易被忽略的点：批次效应的严重程度会随着时间积累。第一批和最后一批之间的差异，往往比相邻批次之间更大。我见过一个长达两年的纵向研究，第一批和最后一批的定量偏差可以达到30%以上。这种漂移如果不做校正，下游分析基本就是白做。
常见来源分析
我习惯从三个维度去排查批次效应的来源。下面这个表格是我自己总结的，你也可以按这个思路去检查自己的实验设计。
| 来源类别 | 具体因素 | 影响程度 | 是否可控 |
|---|---|---|---|
| 样品前处理 | 蛋白提取、酶解、除盐条件差异 | 高 | 部分可控 |
| 液相色谱 | 色谱柱老化、流动相批次、梯度漂移 | 高 | 可控制 |
| 质谱仪器 | 离子源污染、检测器灵敏度衰减、校准周期 | 高 | 可控制 |
| 试剂的批次 | 胰酶、TCEP、IAA、C18材料更换 | 中 | 注意记录 |
| 操作人员 | 不同人操作、手法差异、离心转速校准 | 中 | 部分可控 |
| 环境因素 | 室温波动、湿度、月份差异 | 低-中 | 注意监控 |
| 数据采集参数 | MaxQuant版本、搜库参数、定量算法 | 极高 | 完全可控 |
个人经验：表格里最后一条"数据采集参数"是最容易被忽视的。我在一个项目中不小心用了两个不同版本的MaxQuant跑数据，结果搜库时发现同一个蛋白在不同版本里的鉴定数差了三倍。所以后面我都会要求整个项目固定一个版本、一套参数。
批次效应的直观表现
怎么判断自己数据里有没有批次效应？我通常先用三步快速筛查：
- 看PCA图——如果样本不是按实验组聚集，而是按批次聚集，那基本板上钉钉了。
- 看箱线图——不同批次的总离子流强度（TIC）中位数有明显差异。
- 看缺失值分布——某批次的鉴定数远低于其他批次，说明那批数据有问题。
这三步不用跑什么复杂统计，几分钟就能看出来。我记得有一次帮同事快速检查数据，只看了一个PCA图就直接判定存在严重批次效应。后面查源头，果然是那批样本的胰酶换了一个供应商。
避坑指南：千万不要在还没解决批次效应之前就跑去跑差异分析。我曾经见过有人在有批次效应的数据上硬跑DE，结果发现那些差异显著的蛋白全部跟仪器校准的时间点相关，跟生物学毫无关系。白白浪费了三个月的验证时间。
我们到底该怎么看待批次效应？
一句话总结：批次效应是客观存在的，不是你设计实验时"注意"就能完全避免的。你不能指望它消失，只能想办法去测量它、校正它、最后在报告里说明它。
在这个课程里，后面我会详细讲怎么用MaxQuant自带的工具和一些外部方法来减轻批次效应。但前提是你必须先学会识别它。你连问题都看不到，怎么去解决呢？
下面这个结构图可以帮你在脑子里理清批次效应从哪来、到哪去：
嗯，这就是批次效应的基本面貌了。记住，识别永远是第一步。你只有知道它存在，才能规划后面的校正方案。下一件事情，就是要学会在MaxQuant的输出文件里找出哪些指标暴露了批次效应。这是我们在下个章节要细聊的。