课程导论
要讲批次校正，得先聊聊 limma 这个包。limma 的全称是 Linear Models for Microarray Data，虽然名字带着“微阵列”，但它早就被用到 RNA-seq、蛋白质组、甚至单细胞数据里了。我最早接触 limma 大概是十年前，当时还在做芯片数据，用 limma 做差异表达分析，后来发现它处理批次效应的能力更强——说白了，它能把实验设计里的各种干扰项（比如操作人员、测序批次）当成协变量，用一个线性模型直接拟合掉。
limma 简介
limma 的核心思路是“借力”。它把你的基因表达数据放进去，为每个基因拟合一个线性模型。模型里有你感兴趣的变量（比如处理组 vs 对照组），也有你讨厌的变量（比如批次）。我有时候跟学生开玩笑：这就好比做菜，盐和糖是你要研究的，锅和火候是你要控制的干扰项——limma 就是那个帮你把干扰项的影响剥离出来的大厨。
limma 最厉害的地方在于经验贝叶斯（empirical Bayes）方法。样本量小的时候，基因的方差估计很不稳，limma 会借用所有基因的信息来“收缩”单个基因的方差，从而得到更稳健的统计检验。我在一个只有三个重复的项目里吃过亏，普通 t 检验几乎找不到差异基因，换成 limma 后一下子筛出两百多个——嗯，从那以后我对经验贝叶斯就特别信任。
安装 limma 非常简单：
if (!requireNamespace("BiocManager", quietly = TRUE))
install.packages("BiocManager")
BiocManager::install("limma")装完之后加载，你就可以用 lmFit() 和 eBayes() 两个函数完成整套分析。我建议你先别急着敲代码，先理解批次效应这回事。
批次效应概念
批次效应，说白了就是“不同时间、不同人、不同试剂做出来的实验，结果有系统差异”。它不是你关心的生物学差异，而是技术上的噪声。举个例子：你今天跑的一批样本亮得不行，明天换了一管试剂后跑出来整体偏暗——这就是批次效应。
你想想看，如果你把今天和明天的一起分析，那些因试剂导致的整体偏移，很容易被误认为处理组的差异。我见过一个案例：某课题组比较两株细胞系的基因表达，结果差异基因里全是核糖体蛋白——后来发现是因为他们第一批用了旧的裂解液，第二批换了新的，核糖体 RNA 被降解的程度不同。这就是批次效应“伪装”成生物学信号的经典场景。
表格里总结了批次效应的常见来源：
| 来源 | 具体举例 | 影响特点 |
|---|---|---|
| 实验时间 | 不同天、周、月 | 全局偏移 |
| 操作人员 | 不同技术员 | 部分样本偏移 |
| 试剂批次 | 不同货号、不同保存条件 | 系统漂移 |
| 仪器/芯片 | 不同扫描仪、不同芯片批次 | 强度非线性变化 |
这些效应如果不管，后续的差异分析、聚类、甚至机器学习模型都会跑偏。我个人的习惯是：拿到数据后第一件事不是看差异，而是先做 PCA 看看前两个主成分里有没有明显的批次聚集——如果有，那批次校正就必须安排上了。
为什么需要批次校正
原因很简单：不校正的话，你的分析结果可能是错的。而且错得很隐蔽——你甚至可能找不到原因。
我经历过一次痛心的教训。那时我帮一个合作者处理一组 miRNA 测序数据，两个批次各做了三对样本。用 limma 跑完差异分析，挑出了几十个显著差异的 miRNA，看起来生物学很合理。结果一位审稿人指出：“你们这里的批次和分组完全共线性，差异基因很可能是批次造成的。” 我回去一查，果然：第一批全部是对照组，第二批全部是处理组。这就是“不可分辨的”批次效应——你没办法用一个线性模型把批次和分组分开。
批次校正能帮你做到三件事：
- 去除技术噪声：把批次带来的的系统偏移从表达量中拿掉。
- 保留生物学信号：只去除批次相关的变化，不碰你的真实差异。
- 提升可重复性：不同批次的数据可以放在一起分析，减少批次间的偏差。
你可能会问：那 limma 怎么知道哪些是批次、哪些是信号？答案在于你的实验设计矩阵。你只要在模型公式里把批次变量作为一个因子放进去，limma 就会自动估计批次效应，并把它的影响当作“截距”的一部分给移除掉。下一章我们会具体演示这个矩阵怎么构造。
课程目标与前置知识
这门课的目标就是让你学会用 limma 做批次校正。具体来说：
- 理解 limma 的线性模型框架，知道设计矩阵和对比矩阵怎么写。
- 能用 limma 拟合带批次因子的模型，并提取校正后的表达量。
- 学会评估校正效果（比如 PCA 前后对比、批次相关性分析）。
- 遇到共线性、批次混杂等实际问题时，知道怎么诊断和解决。
前置知识方面，我假设你已经：
- 会用 R 的基本操作（数据框、因子、向量）。
- 接触过表达矩阵和差异分析的基本概念。
- 能理解线性回归的思想——其实就是“Y = b0 + b1*X1 + b2*X2 + error”。
你不用是线性代数高手，但知道矩阵乘法会很有帮助。如果对矩阵不熟，也不影响——我会在课程里把每个步骤拆解开，用很小的例子来说明。
为了让本章的概念更直观，我画了一张流程图，展示从原始数据到批次校正完成的核心逻辑：
这张图里最关键的其实是“设计矩阵”这一步——你给 limma 提供了什么样的公式，它就按什么样的方式去拆解方差。如果批次因子放对了，校正后的数据就能真实反映生物学差异。如果放错了（比如忘记包含批次变量），那 limma 就会把批次效应误当成分组效应来估计——结果反而更差。
嗯，说到这个，我想起另一个经验：有一次我帮朋友处理一个公共数据库的数据，原始论文声称找到了某种疾病的标志基因。我用同样的方法重分析，并加上了批次校正，结果那些“标志基因”几乎全部消失。后来发现，原来公共数据里病例组和对照组来自两个不同的测序中心，完全混杂——没有校正就会得出虚假的阳性结果。所以，批次校正不是锦上添花，而是数据分析里的一步“必须做”的清洗。
前置知识里我还想强调一点：你最好先理解“线性模型”是什么。不深奥，就是一条直线：y = a + b*x。当你有多个变量，就变成多维的：y = a + b1*x1 + b2*x2 + ... 这里的 x1、x2 可以是分组、批次、甚至连续协变量。limma 做的就是这件事，只不过是为每个基因单独拟合一条线，然后用经验贝叶斯把基因之间的方差信息共享，让结果更稳定。