4. 批次效应原理：系统误差与随机误差
好，咱们这一章聊点硬核的。什么是批次效应？说白了，就是数据里混进了“非生物因素”导致的噪音。你明明测的是同一个样本，换了个时间、换了个柱子、甚至是换了个操作员，出来的信号可能就变了。
我第一次意识到这个问题有多严重，是在一个大型临床队列项目里。当时看了两个批次的质谱数据，PCA图上组内样本遥遥相望，组间样本却抱成一团——实验组和对照组的差异，还不如两个批次的差异大。这就是批次效应。
4.1 批次效应的来源
批次效应的来源很多，我从三个层面拆开来讲。
4.1.1 仪器层面
咱们搞timsTOF和Orbitrap联用的，最清楚这种痛。不同仪器的离子源设计、质量分析器原理、检测器响应曲线，统统不一样。就算同一台机器，隔了一个月再做，状态也不一样。
- 离子源差异：电喷雾（ESI）的喷雾稳定性、加热温度、雾化气流速，这些参数稍微抖一抖，离子化效率就变了。
- 质量精度漂移：仪器内部的温湿度变化，会让质量轴慢慢漂移。我自己遇到过Orbitrap走12小时后，高端质量数的偏差超过了5ppm，直接影响了后续的鉴定结果。
- 检测器老化：多通道板（MCP）或电子倍增器用久了，增益会下降，信号强度逐年递减。
4.1.2 样本前处理层面
样本从组织到上机，中间每一步都可能引入系统差异。举个最简单的例子，同一组样本，一个人做前处理和换一个人做，结果可能就不同了。
- 蛋白提取效率：裂解液的配制、超声的时间、离心转速，这些细节不可能完全复现。
- 酶解条件：酶和底物的比例、消化温度和时间，稍微改变一点，缺失率就会增加。
- 色谱柱批次：不同批次的C18填料，保留时间可能会有1-2分钟的偏移。你想想看，这对于需要精确保留时间校准的TOF数据，影响有多大？
4.1.3 环境与操作层面
- 温湿度变化：实验室在夏天和冬天的环境差异，会直接影响色谱的保留时间和质谱的稳定性。
- 操作人员：每个人移液的熟练度、吹干的习惯、甚至打开离心管盖的力度，都算随机输入。
- 试剂批次：同一品牌的甲醇，不同批次的杂质含量都可能不同。
核心观点：批次效应不是“有没有”的问题，而是“有多大”的问题。承认它的存在，是做好校正的第一步。
4.2 系统误差与随机误差
理解了来源，我们再分个类。批次效应里的误差，可以分成两类：系统误差（Systematic Error）和随机误差（Random Error）。它们的性质和处理方法完全不同。
4.2.1 系统误差
系统误差，我习惯叫它“稳定的偏差”。它遵循某种规律，要么是固定的偏移量，要么是比例因子。在批次效应里，系统误差是最需要校正的对象。
辨别技巧：如果你用一种内标（比如iRT肽段），发现它在所有样本中的强度都偏高或偏低，而且偏移量在一个方向上保持一致——大概率就是系统误差。
4.2.2 随机误差
随机误差是“不可预测的噪音”。它没有固定规律，但通常服从正态分布。在质谱数据里，随机误差主要来自离子计数统计（即泊松噪声）和电子噪声。
4.3 系统误差 vs 随机误差 对比
| 特性 | 系统误差 | 随机误差 |
|---|---|---|
| 变化方向 | 偏向同一侧（正或负） | 正负波动 |
| 可预测性 | 高（有规律可循） | 低（无规律） |
| 校正方法 | 可以用内标、全局归一化、参考样本校正 | 只能通过重复测量求均值降低影响 |
| 举例 | 两个批次的信号强度整体差30% | 同一样本在三次进样中信号波动在5%以内 |
| 对批次效应的影响 | 主要来源 | 次要来源 |
4.4 批次效应的数学模型
我们正经点讲，其实可以把批次效应建模为一个线性加性模型。你测到的信号 Y，可以分解成：
Y = μ + β + ε- μ：真正的生物信号（我们要的）
- β：批次效应（系统误差，就是我们想校正的）
- ε：随机误差（噪音）
为什么要分开写成系统误差和随机误差？因为对 β 的处理方式和对 ε 的方式是不同的。β 可以用参考样本或内标来估计，然后减去；ε 基本只能做平滑或容忍。
在实操中，我们会通过池化样本（Pooled QC Sample）来估计 β 的值。比如每隔5个样本插入一个QC样本，然后看QC样本的变化趋势——如果它是一条单调上升或下降的曲线，那就是系统误差没跑了。
警告：千万不要直接把所有样本的均值拉平作为校正。因为如果处理组和对照组之间有真实差异，这种操作会把真实信号也给校正掉，造成严重的假阳性或假阴性。
4.5 在实际项目中如何区分
这里我分享一个我自己的经验。之前做一个跨平台数据集合并，timsTOF和Orbitrap各跑了50个样本。初步质检发现，Orbitrap的数据在m/z 500-800区间有明显的信号增强。一开始我以为是随机波动，但在做了PCA和层次聚类之后，发现所有Orbitrap样本都整齐地聚成一团，远离timsTOF样本。这就是一个典型的系统误差——来源于两个平台的质量分析器对离子的响应差异。
怎么解决？我选择了使用公共参考肽段（iRT肽段）的频率校正法。具体做法是：在两个平台上都加入一套iRT肽段，然后比较它们在两个平台上的保留时间和强度，建立回归模型，再应用到所有肽段上。
嗯，这一步之后，两个平台的PCA图终于开始重叠了。
一句话总结：如果你怀疑某个差异是批次效应，先做PCA——批次聚在一起就是系统误差，散落在各处才是随机误差。系统误差是需要动手校正的，随机误差只能接受。
4.6 常见误区
最后，我列几个我踩过的坑，给大家做个避坑指南。
- 盲目使用ComBat：ComBat是一个很好的批次校正工具，但它的前提是假设不同批次间效应是独立的。如果你在同一个项目里用了多次校正（比如先归一化，再ComBat），会导致过度校正。
- 忽略缺失率差异：不同批次的数据缺失率不同。如果第一个批次鉴定到了5000个蛋白，第二个只鉴定到3500，那么校正前需要对缺失数据进行填充或筛选，否则直接校正会引入假阳性。
- 随机误差当系统误差处理：我曾经试过对所有样本的强度进行全局线性回归校正，结果发现在某些蛋白上随机波动被错误地当作批次效应给“校正”掉了。现在我的做法是：先用QC样本识别系统误差，再决定是否校正。
实战建议：在制作批次校正策略前，先绘制一个批次-样本矩阵，标注出每个样本的采集时间、仪器状态、操作人员和试剂批次。这能帮你快速定位系统误差的来源。