1、生信批次质控概述：批次效应的定义、来源与对分析结果的影响
做生信分析的人，迟早会撞上同一堵墙——明明处理流程完全一样，上次的结果和这次就是对不上。批次效应，就是这堵墙的名字。我刚入行时也天真过，以为只要脚本跑通、p-value 调低，结果就该可重复。直到有一次，我把两个不同时间测的转录组数据拼在一起做差异分析，出来的基因列表连性别标记基因都没对齐，才发现问题的严重性。嗯，那次以后，我养成了一个习惯：任何多批次数据合入之前，先做质控。
什么是批次效应？定义与直观理解
简单说，批次效应就是数据里混进了跟实验处理无关的系统性偏差。它不来自生物学差异，而是来自实验操作、试剂、仪器或时间的改变。你想想看，同一批细胞，上午测和下午测，结果都可能有差异。这不代表细胞变了，而是系统变了。
我习惯这样理解：把真实生物学信号看作信号，批次效应就是一层噪声。如果噪声足够大，信号就听不清了。更麻烦的是，这层噪声往往不是随机的，而是有偏向的——可能让某批所有样本的表达值整体偏高，另一批偏低。这就导致了两个后果：假阳性（把批次差异当成生物学差异）和假阴性（真实的生物学差异被批次噪声淹没）。
核心逻辑：批次效应 ≠ 随机误差。随机误差在均值处抵消，批次效应则会让整批数据朝同一个方向偏移。
批次效应的常见来源
我做过不少跨中心的整合项目，踩过的坑可以列一张清单。下面这张表是我认为最常出现的几个来源，按频次从高到低排了个序：
| 来源类别 | 具体因素 | 我亲历的教训 |
|---|---|---|
| 试剂批次 | 试剂盒批号、引物批次、酶版本 | 同样一款试剂盒，换了个批号，差异基因数直接翻倍 |
| 仪器设备 | 测序仪型号、不同通道、不同芯片 | 同一台 NovaSeq，不同流动槽的 GC 偏差能差 5% |
| 操作人员 | 抽提手法、建库熟练度、操作时间 | 两个实习生做的文库，PCA 图上直接分成两撮 |
| 实验时间 | 不同日期、不同季节、实验室温湿度变化 | 夏天和冬天的测序数据，RNA 降解速率都不一样 |
| 数据预处理 | 比对版本、计数软件参数、环境差异 | Linux 系统 locale 不同，导致某些基因被过滤掉 |
批次效应对分析结果的影响
说着说着可能有点抽象，我举个例子。假设你有一个药物处理实验：处理组 5 个样本，对照组 5 个样本。但处理组用第 1 批试剂盒做的，对照组用第 2 批试剂盒做的。这时候如果直接跑差异分析，你看到的差异基因很可能来自试剂盒批次——而不是药物本身。这就是经典的混淆（confounding）。
具体影响可以归纳为三点：
- 差异表达分析假阳性飙升——大量基因被识别为差异，实际都是批次偏差。
- 聚类和 PCA 失真——样本不再按生物学分类聚集，而是按批次分成几团。
- 机器学习模型过拟合批次——模型学到的“特征”其实是批次标签，导致泛化能力极差。
我曾经接手过一个项目，合作方给了 200 个肿瘤样本，分三个中心测序。我跑 PCA 一看，三个中心完全分开，看不到任何分子分型的影子。我们花了两个月追查，最后发现其中一个中心的 RNA 抽提步骤里多了一步柱纯化。这就是批次效应混淆到几乎无法校正的典型例子。
一个小例子：真假差异？
我们模拟一个最简单的场景。假设真实生物学效应是 0（即处理组和对照组没有差异），但由于批次效应，处理组所在批次所有基因表达量整体上调了 1 倍。用这样的数据做差异分析，会出现什么结果？
你猜对了——大量假阳性基因。而且那些表达量原本就很低的基因，最容易被误判。我见过不少论文里的“差异基因列表”其实都是批次噪声，害得后来者重复实验浪费无数经费。
所以，别让批次效应偷走你的结论。在开始正式分析之前，先用质控工具把批次问题暴露出来。这也是这门课接下来要手把手带你去做的内容。
一个小技巧：在数据整合前，先做一个简单的层级聚类热图或者 PCA，把样本按批次着色。如果发现批次和主成分高度相关，那就说明批次效应已经大到不容忽视了。这时候再往下走，就得先做校正。
好了，这一节我们把批次效应的概念、来源和影响理清楚了。说白了，批次效应就是一个你绕不过去但又必须面对的“系统误差”。它会假装成生物学差异，骗过你的统计检验。下次当你看到一个漂亮的聚类图时，不妨先问自己一句：这真的是生物学分组，还是批次的分组？