1. 批次效应概述与问题定义

1.1 什么是批次效应

批次效应这玩意儿，说白了就是我们在不同时间、不同条件下做实验，结果跑出来的数据里混入了一些非生物学的差异。我早期参与一个转录组项目时，就被它狠狠坑过一次。

举个例子。你收集了 50 个肿瘤样本，分两批送到测序中心。第一批用试剂盒 A，第二批用试剂盒 B。结果差异分析一看，发现两批样本之间的基因表达差异，比肿瘤和正常组织之间的还大。这就是典型的批次效应。

严格来说，批次效应是实验处理过程中引入的、与生物学变量无关的技术性变异。它会干扰我们对真实生物学信号的判断。

这种偏移不会随机消失。它会一直待在你的数据里，直到你主动去处理它。

1.2 为什么需要校正

你可能想问：不校正会怎样？

嗯，我直接告诉你后果。

• 假阳性激增：差异表达基因里面，一大半其实是批次差异。你辛辛苦苦筛选出的标记物，换个批次验证就消失了。
• 假阴性误判：真实信号被批次噪声淹没，你根本看不见。
• 聚类跑偏：样本聚类时，先按批次抱团，而不是按生物学分组。Umap 图上，同一批次的样本扎堆，不同批次的样本离散——哪怕它们是同一个细胞类型。
• 模型失效：你训练的分类器只能识别批次特征，换个新数据直接崩掉。

我记得有个单细胞项目，整合多个公共数据集时没做校正，结果 T 细胞和 NK 细胞的分群完全被批次效应打乱。后期重分析花了三倍的时间。所以——

1.3 常见来源

批次效应的来源其实很多。我整理了几个最常见的。

来源类别	具体例子	影响程度
试剂批次	不同批号的建库试剂、抗体、酶	高
操作人员	不同实验员提取、建库、上机	中-高
仪器设备	不同测序仪型号、芯片版本	高
时间跨度	采样日期、实验日期跨越数周或数月	中
环境条件	温度、湿度、实验室搬迁	低-中
测序 lane / 芯片	不同 flow cell、不同芯片区域	中
数据预处理	不同版本的比对、定量软件	低-中

1.4 批次效应的影响范围

不是所有数据都会被批次效应影响。受影响的程度和数据类型、实验设计有关。

• 转录组（RNA-seq）：影响非常大。基因表达定量对技术差异非常敏感。
• 单细胞转录组（scRNA-seq）：极为严重。不同批次间的细胞捕获效率和测序深度差异直接导致假细胞群。
• 蛋白质组：影响中等。质谱数据对操作和仪器状态很敏感。
• 代谢组：极高。样本处理的微小差异都会在代谢物浓度上放大。
• GWAS / 基因芯片：影响相对较小，但芯片批次效应仍然存在。

所以，在做工作流设计时，一定要提前判断：我的数据受批次影响有多大？你想想看，要是后边才发现，那时候改起来成本太高了。

1.5 知识结构图

下面这张图总结了我刚才聊的核心内容：批次效应的定义、来源和影响路径。

1.6 什么时候必须校正

我个人的判断标准是这样的：

1. 数据来源不统一：多个实验室、多个测序中心数据要合并分析。
2. 时间跨度大：实验持续数月以上，或者用了不同批次的试剂。
3. 分析方法检测批次效应显著：PCA 图上第一主成分对应的是实验批次，而不是生物学变量。
4. 生物学信号弱：差异倍数低、样本量小——这时候批次效应很容易掩盖真实信号。
5. 要做机器学习模型：训练集和测试集来自不同批次，模型性能打折扣。

1.7 何时可以不做校正

也不是所有情况都需要校正。我个人总结了几种例外：

• 所有样本在同一批次内完成处理：这是一个理想情况。但大型项目很难做到。
• 批次完全与生物学分组 confound：比如第一批全是对照组，第二批全是处理组。这时候没法区分批次和生物学效应。强行校正反而会消除真实信号。
• 批次效应极小：技术稳定、样本均一，PCA 图上批次没有明显分离。可以轻微处理或跳过。
• 只需要单批次内的分析：对于单批次的差异分析，批次效应不是问题。

好了，这一章的内容就这些。批次效应这关过了，后面我们再逐个看具体的校正方法。