1. 批次效应概念与重要性
做组学数据分析的，几乎没人能绕开批次效应。
我记得刚入行那年，处理一批肿瘤转录组样本。数据量挺大，几百个样本，分析出来的差异基因列表漂亮得不像话。但我老板看了一眼就皱眉，说：“你先把样本按处理批次上色看看。” 结果一上色，整张PCA图被分成了三坨——每坨对应一个实验批次。原来所谓的“差异”，全是技术误差。
这就是批次效应。说白了，就是不同实验批次带来的系统性偏差。它不是生物信号，是技术噪音。
1.1 什么是批次效应
批次效应，英文叫 Batch Effect。它指的是：由于实验操作时间、试剂批次、操作人员、仪器状态等非生物学因素导致的系统性测量偏差。
你可以把它想象成照相机的色偏。同一台相机，不同时间拍同一朵花，拍出来的颜色就是不一样。你分析的是颜色差异，还是花的生长差异？搞不清楚。
一个简单的类比： 好比两批考试。第一批试卷容易，第二批难。你直接用分数比较学生水平，肯定不准。批次效应就是这个“试卷难度”的系统性偏差。
1.2 批次效应从哪里来
我遇到过最离谱的一次批次效应，源于实验室搬家。同样是高精度测序，搬了个楼层，数据分布就全变了。
常见的批次效应来源，无非这几类：
| 来源类别 | 典型原因 | 影响程度 |
|---|---|---|
| 试剂批次 | 不同批号的试剂、抗体、引物 | 高 |
| 操作人员 | 不同实验员手法差异 | 中-高 |
| 仪器差异 | 不同型号/不同校准状态 | 高 |
| 时间因素 | 跨季节、跨年份实验 | 中 |
| 环境变化 | 温度、湿度、实验室搬迁 | 中-低 |
| 存储条件 | 样本冻融次数、存储时长 | 中 |
你想想看，一个大型临床试验，样本收集可能跨越两三年。这中间的批次效应，不处理，结果根本没法用。
1.3 为什么批次效应如此重要
说白了，批次效应会直接摧毁你数据分析的三个核心环节：
- 真实性：你发现的差异，到底是生物学差异，还是技术噪声？搞混了就是假阳性成堆。
- 可重复性：你的实验，换一批样本、换一个实验室，还能得到同样的结论吗？批次效应不清除，答案基本是不能。
- 整合分析：合并多个公共数据集做meta分析？批次效应就是最大的一堵墙。不拆墙，数据合不拢。
我曾经踩过一个坑： 整合三个公共数据集做标志物筛选。数据量很大，统计功效很高，结果却找到了一堆对“数据来源”敏感、对“生物学状态”不敏感的假基因。折腾了两个月，全浪费了。从那以后，我养成了一个习惯——任何数据到手，第一件事就是画PCA，按批次上色。
1.4 批次效应的识别手段概览
识别批次效应，主流方法就几种。我把它们画在一张图里，方便你快速理解全貌。
这张图把批次效应识别方法分成了四大类。咱们这门课，重点啃的就是左上角这一支——可视化方法中的PCA和MDS。
为什么选它俩？
理由很直白： PCA和MDS不需要任何预先标注的批次信息，就能把数据的整体结构投影出来。你不需要告诉算法“批次是什么”，它自己就把聚类趋势展示给你看了。这对探索性数据分析来说，是无可替代的起步工具。
1.5 什么时候必须考虑批次效应
有些场景，批次效应是致命问题。我自己的经验总结了三类：
- 跨批次样本比较：病例对照样本分批采集、分批测序。此时批次效应会完全混淆生物学差异。
- 公共数据整合：来自GEO、ArrayExpress、TCGA等数据库的多源数据合并。没有批次校正，整合就是拼凑垃圾。
- 时间跨度大的纵向研究：随访三年以上的队列。环境、试剂、仪器都在变。
注意： 批次效应修正应在差异分析之前进行。一旦进入统计检验阶段，你再想回去做批次校正，那可就不太对了——统计推断的假阳性率会直接失控。
1.6 小结
讲到这里，你应该对批次效应有了一个比较全面的认识。
- 它是非生物学因素导致的系统性偏差
- 它无处不在，尤其是大规模组学数据
- 不做识别和校正，分析结论不可靠
- PCA和MDS是最直观的初筛工具
做好准备，下一块内容，我们就要正式开始上手做可视化了。