ComBat 方法原理：基于位置/尺度调整的贝叶斯框架

说实话，讲批次效应校正，ComBat 绝对是绕不开的核心方法。我之前接触单细胞和芯片数据时，处理批次效应的首选方案就是它。为什么大家这么喜欢它？说白了，就是它既聪明又稳健——它不像简单的标准化那样一刀切，而是能根据数据本身的特征，智能地调整每个基因的校正力度。

4.1 为什么需要一个贝叶斯框架？

我们先想想，批次效应校正到底在做什么？

假设你有一个基因 g，它在不同批次里的表达值有偏移。最直接的做法是：算一下每个批次的均值和方差，然后减掉均值、除以方差。这就是所谓的位置/尺度（location/scale）调整。

但问题来了。你手头的样本通常不多。尤其是当基因数量特别大（比如上万）时，每个基因的批次效应估计会很不稳定。我见过有人强行用这种简单方法，结果校正完数据反而坏了——本来没差异的基因，硬生生被调出了「假」差异。

为什么会这样？因为小样本下，均值和方差的估计不可靠。而贝叶斯框架的核心优势，就是利用所有基因的整体信息，来「借用」统计力量，让每个基因的估计更稳健。

4.2 ComBat 的核心数学模型

ComBat 的模型其实不复杂。对每个基因，它假设观测到的表达值 Y 由三部分构成：

• 生物学差异：你真正想研究的组间差异
• 批次效应：系统性的偏移
• 随机噪声：残差项

模型长这样（别怕，我解释给你听）：

Y_{ijg} = α_g + Xβ_g + γ_{ig} + δ_{ig}ε_{ijg}

解释一下：

• Y_ijg：第 i 个批次、第 j 个样本、第 g 个基因的表达值
• α_g：基因 g 的基准表达水平
• Xβ_g：生物学协变量的效应（你关心的分组信息）
• γ_ig：批次 i 对基因 g 的 位置偏移（均值偏移）
• δ_ig：批次 i 对基因 g 的 尺度缩放（方差变化）
• ε_ijg：服从标准正态分布的随机误差

关键来了。ComBat 不直接对 γ_ig 和 δ_ig 做点估计，而是给它们设定先验分布，然后用贝叶斯框架做后验推断。

4.3 超参数与收缩效应

ComBat 给 γ_ig 设了一个正态先验：

γ_{ig} ~ N(γ_i, τ_i²)

这里的 γ_i 和 τ_i² 就是超参数——它们描述了批次 i 中所有基因位置偏移的整体分布。

给 δ_ig² 设了一个逆伽马先验：

δ_{ig}² ~ Inv-Gamma(λ_i, θ_i)

同样，λ_i 和 θ_i 也是从数据中估计出来的超参数。

这带来了一个非常重要的效果——收缩（shrinkage）。

你可以想象：某个基因的批次效应估计如果特别大，但因为全基因组的超参数比较适中，它的后验估计就会被往「全局平均」方向拉一拉。极端值被压缩了，不稳定估计被稳定了。

我在处理 TCGA 和 GEO 联合数据集时，遇到过一种情况——某个批次里有几个基因的表达异常高。如果不用贝叶斯收缩，这些基因校正后依然残留明显的批次差异。ComBat 一步到位，把这些异常拉了回来。效果肉眼可见。

4.4 核心流程一图总结

下面这张图我把 ComBat 的完整流程画出来了。从输入原始数据，到估计超参数，到后验推断，最后输出校正后的表达矩阵。你可以把它当作算法地图来用。