批次效应概念：什么是批次效应，为什么需要校正
我记得刚入行那会儿，接过一个代谢组学合作项目。样本分三批上机，第一批用新买的色谱柱，后面两批柱子用了半年。合并数据后PCA一看，三个批次分得清清楚楚——但那是技术差异，不是生物学差异。项目差点重做。从那以后，我每次做多批次合并，第一件事就是检查批次效应。
什么是批次效应
说白了，批次效应就是同一套实验方案，在不同时间、不同仪器、不同人操作下，产生的非生物学系统性偏差。你想想看，同样的细胞、同样的提取液，第一次上机峰强度1000，第二次上机变成1300——这不可能是细胞突然多表达30%，是仪器状态变了。这种偏差就叫批次效应。
它藏在数据里，不影响你单批次分析，但一旦合并多个批次，就会让下游统计乱套。我遇到过最夸张的一次，同一批QC样本，仅因为操作员换了一个人，质谱基峰强度差了将近一半。那个人习惯了用左手拧进样针？后来发现是针尖伸出长度不同。嗯，细节决定成败。
批次效应的常见来源
我个人习惯把来源分成四大类，表格里列清楚：
| 来源 | 具体因素 | 典型影响 |
|---|---|---|
| 仪器状态 | 离子源污染、检测器老化、质量轴漂移 | 峰强度整体偏移，质量数轻微波动 |
| 色谱分离 | 柱子批次、柱效下降、流动相挥发 | 保留时间漂移，峰宽变化 |
| 试剂与耗材 | 不同批号溶剂、添加剂、进样瓶 | 背景噪声升高，部分化合物信号抑制 |
| 操作者与环境 | 进样手法、室温湿度、样本冻融次数 | 随机性增加，重复性下降 |
这些因素在你做Orbitrap和timsTOF合并时尤其突出——两种仪器原理不同，灵敏度、分辨率都有差异，批次效应会更复杂。
为什么需要校正
不讲大道理，说个真事。有一次我把两个批次的脂质数据直接合并做差异筛选，出来的候选标志物有70多个。同事复测了100个样本，只验证出8个。为什么？因为批次效应和实验分组完全混杂——第一批全是对照组，第二批全是处理组，差异里至少一半是批次带来的假阳性。这8个能验证出来已经算运气了。
校正的目的就是把技术假象去掉，让真正生物学变异露出来。你不校正，你会看到很多显著差异，但大部分是假的；你校正了，可能显著变少了，但留下的才是真的。做生信的都知道“宁愿少几个假阳性，不要一堆假阴性”。
还有一点容易被忽略：如果批次效应没有校正，不管你用多高级的机器学习模型，结果都很难复现。数据合并前花一天做校正，比后续花一个月填坑划算得多。
校正的前提条件
不是所有数据集都能校正。想校正批次效应，你至少要满足两个条件：
- 每个批次里都有稳定参考样本（QC pooled sample，或者内标/外标）
- 批次不能和实验分组完全混杂（比如批次1全是对照，批次2全是处理，那就没法拆）
我在课程后面会讲怎么做校正，但这里先强调：实验设计阶段就要想办法安排QC样本穿插在所有批次里。不要等项目做完了再问“能不能校正”，到那时候可能已经晚了。
下面这张图可以帮你理清批次效应产生和后果的链条：
这张图应该能帮你快速理解：技术变异在批次之间是必须处理的，否则合并后的数据会误导你得出错误的生物学结论。
不校正的风险（你绝对不想碰到的
- 假阳性暴增：差异分析结果里，一半以上是批次导致的伪差异
- 重现性归零：换一组样本复测，原来显著的标志物全没了
- 组学建模失效：PCA/PLS-DA第一主成分永远是批次，而不是实验分组
- 浪费经费和样本：发现苗头不对想补测，结果前几批样本已降解
关于校正的具体方法——像ComBat、RUV、L/S normalization——后面章节会详细讲。但今天这几个概念你得记住：批次效应的本质是什么，为什么不能忽视。下次拿到数据，别再跳过这一步了。
# 一个简单的批次效应检查示例（伪代码）
load(data_pooled)
pca_result <- pca(data_pooled@assay$raw)
plot(pca_result$scores, col = data_pooled$batch)
# 如果看到三群以上的分离，别犹豫，上校正。好了，概念讲到这里。记住一句话：不校正的批次合并，就是往数据里投毒。