常见批次效应校正方法分类：参数、非参数与深度学习

做批次效应校正好几年了，我翻过不少车。
刚入行时总以为套一个 ComBat 就万事大吉，后来发现数据分布一复杂，效果就崩。
说白了，方法选型才是真正的门槛。

目前主流方法能分成三大阵营：参数方法、非参数方法、深度学习方法。
区别在于对数据分布做了多少假设，以及能不能处理非线性模式。

参数方法：快，但有前提

参数方法假定数据服从某个已知分布（比如正态分布）。
最经典的当属 ComBat，它假设每个特征的均值和方差都能通过线性变换对齐。

举个例子，一个标准的 ComBat 调用在 R 里长这样：

library(sva)
adjusted <- ComBat(dat = expression_matrix, batch = batch_vector, mod = NULL, par.prior = TRUE)

参数方法的核心优势是统计框架成熟，结果可重复。
但代价也明显：如果实际分布偏了，校正反而引入假信号。

非参数方法：灵活，但吃样本量

非参数方法不假定分布形态，靠秩次或核密度估计对齐批次。
典型代表是 Harmony（基于模糊聚类）和 limma 的 removeBatchEffect。

Harmony 在单细胞领域用得特别多，因为它能处理非线性漂移：

import harmony
harmony_out = harmony.Harmony(
    X_scaled, meta_data, vars_use=['batch']
)
corrected = harmony_out.fit_transform()

非参数方法的好处是鲁棒，不怕分布错配。
但需要足够样本量来估计密度——少于 20 个样本容易过拟合。

深度学习方法：上限高，下限也低

深度学习用神经网络隐式学习批次间的映射关系。常见的有 Autoencoder + 对抗训练、VAE 解耦、CycleGAN 等。

一个简单的对抗去偏框架大致长这样：

# 伪代码示意
encoder = Encoder(input_dim, latent_dim)
classifier = BatchClassifier(latent_dim, n_batches)
reconstructor = Decoder(latent_dim, input_dim)

for batch, data in dataloader:
    z = encoder(data)
    loss_rec = MSE(data, reconstructor(z))
    loss_adv = CrossEntropy(classifier(z), batch_label)
    # 梯度反转：让 encoder 骗过分类器
    total_loss = loss_rec - lambda_adv * loss_adv

深度学习的优势是能捕捉高度非线性的批次效应，尤其在多模态数据上效果惊人。
但代价也大：训练不稳定，数据量要求高，调参成本大。

三大方法对比（一张表说清楚）

你想想看，选方法其实是在效率、灵活性和可解释性之间做权衡。
我个人的经验是：
先跑参数方法做基线，如果效果不好再切非参数；深度学习放最后，只有前两者都失败或者数据量很大时才上。

本类知识图谱

我的几点避坑总结

• 参数方法做个分布检验（Shapiro–Wilk）再上，别闭眼跑。
• 非参数方法至少 5 个批次、每批 20+ 样本再来，否则波动大。
• 深度学习方法准备一份简单独立测试集，防止模型“偷懒”。
• 不管你选哪个，留一部分数据不校正做验证——这是底线。