第1节：批次效应概述
什么是批次效应？
说白了，批次效应就是一组样本在测序或芯片实验过程中，所有样本同步受到的非生物学因素干扰。它让同一个基因在同一个时间测出来的表达量，因为操作批次不同，变得不可比。这不是软件bug，是人祸、环境差、试剂变、仪器波动导致的系统偏差。
我个人习惯把它想象成"染色"。假设你有两批肝细胞RNA，一批是上个月提取的，一批是今天提取的。即使基因表达完全相同，你今天跑的测序结果中某些基因的表达量，可能整体偏低一些。这个偏低不是生物差异，是批次效应。
为什么在组学研究中批次效应不可避免？
原因很直接：我们没办法同时处理所有样本。你想想看，一个几百甚至上千样本的RNA-seq或ChIP-seq项目，不可能一天内完成所有测序文库构建和上机操作。时间跨度越长，潜在的批次效应就越多。
我梳理了一下最常见的来源：
| 因素类别 | 具体来源 | 影响程度 |
|---|---|---|
| 试剂 | 不同批号的RNA提取试剂盒、逆转录酶、接头、dNTP | 高 |
| 耗材 | PCR管品牌、移液器、离心管批次 | 中 |
| 仪器 | 不同的测序仪器（尤其不同型号）、不同流式细胞仪 | 高 |
| 操作 | 不同实验员、不同实验日期、不同的孵育时间 | 中 |
| 环境 | 温湿度、实验室位置、电源波动 | 低～中 |
嗯，这里要注意：批次效应并不总是严重的。但在大样本队列中，哪怕每个批次只引入1%-2%的系统偏移，累积起来就足以淹没你真正要研究的生物学信号。
我曾经做过一个时间跨度8个月的项目，前后分了4批送的RNA-seq。我把第一批和最后一批的样本做PCA，发现第一批样本全部挤在左上角，第四批全部沉在右下角——那个视觉冲击力，就像你看清楚批次效应的代价是什么了。
实际案例分析：我曾在TCGA数据中遇到过
TCGA（The Cancer Genome Atlas）是全球最大的癌症基因组公开数据集之一。许多研究者把它当作"金标准"来用。但你信不信，TCGA的数据也存在明显的批次效应？
我记得有一次分析TCGA的肝癌（LIHC）数据集，想验证某个基因（比如ALK）的表达量在不同肿瘤分级里是否有差异。我把所有样本的RNA-seq表达量拉出来，做了主成分分析（PCA），结果出现了奇怪的两极分化——一半样本在PC1正方向，一半在负方向。这两个簇跟肿瘤分级完全无关，后来查了样本提交中心：原来它们来自两个不同的测序中心（BCGSC和UNC）。
这真的是一个典型的批次效应。同一个Tumor Type，同一个样本收集标准，仅仅因为不同中心做了文库构建和测序，就造成了巨大的系统偏移。
下面这张图描述了批次效应的来源及其传导路径：
如何早期察觉批次效应？
我建议在拿到表达矩阵后，第一件事不是跑差异表达，而是做可视化探索。具体来说，你先画一个PCA或t-SNE降维图，然后用样本的批次标签（比如送样日期或测序中心）做颜色映射。
如果看到样本按批次聚集，而不是按实验分组聚集，那基本就中奖了。这时候必须用批次校正模型处理，比如SVA、ComBat或limma的removeBatchEffect。
不要把批次效应和生物变异混为一谈
这里面有一个常见误区：有些分析者看到PCA图里样本按某个metadata（比如性别）分开了，就以为是批次效应。但性别本身就是一个真正的生物学因素。你需要区分：批次效应跟实验设计无关的变异，而生物学效应是你要测量的目标。
简单判断标准：如果同一个生物学处理组中的所有样本，在PCA图上被分成了两簇，而这个分裂跟你已知的操作顺序一致（比如前3个后3个），那就是批次效应。如果分裂跟处理组一致，那是生物信号。
我这几年遇到的最棘手的一个情况是：一个处理组和一个对照组，各自包含了两个不同的批次。那PCA图上有四个簇，你看上去以为是我们得到了很强的处理效应，实际是批次和处理的混杂。这种情况，不做校正，任何后续结果都不可信。