第2节：批次校正方法概览——ComBat、Limma、RUV、SVA 该怎么选？

当你拿到一批跨越不同测序批次或实验日期的组学数据，第一件事就是问自己：我看到的差异，到底是生物学信号，还是批次引入的噪音？

这节我们不搞长篇理论推导，直接摊牌——四种主流校正方法，它们各自擅长什么、怕什么、适合处理什么类型的数据。我会结合自己踩过的坑来聊，希望能让你少走弯路。

四个方法的「身份证」

先上一张表格，把核心差异排出来。后面我们再逐个展开。

方法	核心假设	需要什么信息	最大优势	最大短板
ComBat	批次效应是位置+尺度变化	已知批次标签	稳定、好用，效果公认	假设分布形式固定（正态）
Limma	线性模型可以吸收批次	已知批次标签	灵活，可同时考虑多个协变量	适合微阵列，RNA-seq需转logCPM
RUV	有「负对照基因」来估计噪音	负对照基因集或重复样本	不需要知道批次怎么分的	对照基因选不好就翻车
SVA	未知的、隐性的批次因子	不需要批次标签	发现你不知道的批次效应	容易把生物学信号一起干掉

ComBat：行业老大哥，最稳的起手式

ComBat（Combating Batch Effects）是我个人最常用的方法——没有之一。它来自 Johnson 等人 2007 年的论文，距今快二十年了，但依然是大多数 RNA-seq 集成分析的首选。

它到底在算什么？

ComBat 假设：每个基因在批次之间，均值和方差都会偏移。它用经验贝叶斯方法，把每个批次的均值「拉回」基准水平，同时把方差也整容一下。

# R 代码示例：sva 包中的 ComBat
library(sva)
adjusted_data <- ComBat(
  dat = expression_matrix,
  batch = batch_vector,
  mod = model_matrix_for_biological_covariates,
  par.prior = TRUE,
  prior.plots = FALSE
)

要注意什么？ComBat 假设表达值近似正态分布。如果数据是原始的 count 矩阵，记得先做一步转化（比如 log2(CPM + 1)）。

Limma：线性模型的老手，小样本的救星

Limma 本是一个差异表达分析的工具包，但它有个很聪明的用法：把批次效应作为协变量放进线性模型里一起拟合。

Limma 的做法是「吸收」而不是「校正」。它不改变表达矩阵本身，而是在回归系数估计阶段把批次项的贡献「扣掉」。说白了，如果你最终的差异分析也要用 Limma，那一步到位最省事。

它特别适合什么场景？

• 样本量极小（比如每个条件只有 3 个样本）
• 批次和生物学因素有部分重叠（此时 ComBat 可能过度校正）
• 你本来就要用 Limma 做差异分析，顺手的事

# R 代码示例
library(limma)
design <- model.matrix(~ 0 + condition + batch)
fit <- lmFit(expression_matrix, design)
# 在对比矩阵里不需要考虑 batch 项
contrast_matrix <- makeContrasts(
  "treatment - control",
  levels = colnames(design)
)
fit2 <- contrasts.fit(fit, contrast_matrix)
fit2 <- eBayes(fit2)

RUV：当你连批次怎么分的都不知道时

RUV（Remove Unwanted Variation）来自 Gagnon-Bartsch 等人 2013 年的工作。它的思路完全不一样：我不需要你告诉我哪一列是批次，我只要一组「应该不受生物条件影响」的基因，就能反推出批次噪音。

这个「负对照基因」怎么找？

• 在你的数据里，找那些在所有样本中表达量几乎不变的基因（比如看变异系数）
• 或者用 spike-in 探针（ERCC 等）
• 或者用「假基因」、「持家基因」等

RUV 的几个变体：

• RUVg：基于负对照基因估计
• RUVs：基于重复样本（不要求有对照基因）
• RUVr：基于残差估计（适合没有对照基因也没有重复设计的情况）

SVA：发现隐藏的魔鬼

SVA（Surrogate Variable Analysis）是这四种里「脑洞最大」的一个。它不要求你已经知道批次是什么，而是通过奇异值分解（SVD）之类的技术，从数据中自行推断出「隐藏因子」。

想象一下：你的实验设计里只写了 Batch_1 和 Batch_2，但实际上因为一个操作员的手抖，Batch_2 的前 10 个样本和后 10 个样本的室温差了 2 度。这种隐藏的批次，只有 SVA 有可能发现。

但它有代价——

• 如果你不知道自己在做什么，SVA 可能把生物学信号的一部分也认定为「隐藏因子」并去除
• 它对强信号非常敏感，如果有一个处理效应特别明显，SVA 可能优先捕获到它，然后...你懂的

方法选择的决策流程图

下面是我根据自己的项目经验，整理出的一个快速决策流程。你可以把它当「菜单」来用。

这张图是我在实际项目中反复调整后固化下来的。基本上，从左上角开始，一一回答框里的问题，就能找到最适合你当前数据的方案。

还有一个「隐藏考点」：不要依赖单一指标

你可能会想：那我跑完校正，是不是看 PCA 图里批次混到一起就说明对了？

不完全对。PCA 只是可视化。如果批次被「暴力」拉到一起，也可能把真实的信号拉乱了。我记得有一次项目，PCA 图漂亮得不行，结果差异分析出来一个显著的基因都没有——那说明校正过于「强硬」了。

总结

四种方法没有绝对的「谁更好」，只有「谁更合适」。ComBat 是稳妥的默认选择，Limma 适合小样本和微阵列，RUV 在你没有批次标签但有对照基因时是神器，SVA 用来发现你不知道的坑。

建议你从 ComBat 开始，如果结果不满意或数据特殊（比如没有批次标签），再考虑 RUV 或 SVA。当然，如果你还没开始做差异分析，把 Limma 一步到位也是一个很省心的选择。