一、批次效应概述：定义、来源与生物学影响
批次效应，说白了就是「不同时间、不同操作者、不同试剂盒做出来的数据，虽然测的是同一种东西，结果却各自为政」。搞生信的人基本都踩过这个坑。
我记得刚入行那年，在帮一个合作方整合三批ChIP-seq数据。单看每一批，peak calling结果都挺漂亮。放在一起聚类，问题来了——样本没有按生物学条件分开，反而按「哪一批做的」抱成了团。嗯，这就是典型的批次效应。
做个简单定义：批次效应指在样本处理、建库、测序或芯片杂交等环节中，因非生物学因素引入的系统性差异。这些差异与真实的生物学信号纠缠在一起，严重时可以完全掩盖你要找的那个差异表达基因或差异甲基化区域。
1.1 批次效应的主要来源
我在项目中遇到过最头疼的情况，往往是下面这些因素混着来的：
- 操作者差异：不同实验员的手速、加样习惯、离心时间控制，都会影响文库复杂度。
- 试剂批次：同一公司的试剂盒，不同Lot Number之间活性可能有差异。我记得有一次RNA-seq，两批用的同一品牌试剂，结果差异大到我一直以为是生物学差异。
- 仪器设备：不同测序仪（比如HiSeq 2500 vs NovaSeq 6000）的bias完全不同。即使是同一台机器，换了flow cell也可能带来变化。
- 实验日期：同一个操作者、同一台机器，今天做和下周做，因为室温、湿度、试剂存放时长，仍然会有漂移。
- 组织采样与保存时间：临床样本尤其明显——手术取出后冻存时间不同，RNA降解程度不一样，这本身就是一种批次效应。
你可能会问：这些微小的差异真的能影响下游分析吗？我拿一个真实的例子说明。
| 因素 | 影响的测序指标 | 典型表现 |
|---|---|---|
| RNA降解程度 | 3' bias、gene body覆盖 | 不同批次里同一个基因的count变化极大 |
| PCR扩增循环数 | duplicate rate、GC bias | 高GC区域在循环数多的批次显著减少 |
| bisulfite转化效率 | 甲基化call | 不完整的转化会引入假阳性甲基化位点 |
| 测序化学版本 | base quality, error profile | v4试剂和v3试剂的碱基质量分布完全不同 |
1.2 批次效应的生物学影响
我个人习惯把批次效应的影响归纳为三条主线，你可以对照自己的项目来看：
- 混淆真实的生物学差异：如果处理组和对照组正好分散在不同批次，那么批次效应和生物学效应会纠缠在一起，下游差异分析基本不可靠。
- 增加假阳性和假阴性率：Batch effect大的数据，你感觉能挑出一堆差异基因，但再换个批次验证，全没了。说白了就是统计能力被高估。
- 削弱跨研究可比性：整合公共数据库时要特别小心——GEO上那些来自不同实验室的数据，批次效应靠肉眼就能看出聚类分离，不做校正根本没法合并。
举个例子。你在做一个转录组项目的预实验，一批样本在A实验室测了，剩余的在B实验室补充。如果跳过批次效应校正直接跑limma或DESeq2，你看到的前100个显著差异基因里，可能有一半是因为实验室间技术差异导致的。嗯，这事不罕见。
1.3 为什么必须重视批次效应
有人觉得批次效应是「做质控时多看一眼就行」的小事。但实际数据分析中，批次效应是导致不可复现性的头号元凶之一。你想想看，一篇论文的结论在独立验证中重复不出来，很多时候不是生物学问题，而是技术批次效应没处理好。
从统计角度来说，批次效应可以看作一种潜在的协变量。如果批次信息已知（比如实验日期、操作者、flow cell ID），我们可以用线性模型、ComBat、RUV等方法显式地把它剥离掉。如果批次信息未知……那就麻烦了，得靠一些无监督方法推断。
下面这张图总结了我对批次效应全路径的理解，从样本采集到数据产出，每一步都可能引入批次差异。