4. 批次效应概述：你跑的数据真的能放在一起比吗？

说实话，在我刚开始做MD模拟那会儿，根本没把批次效应当回事。总觉得只要力场一样，其他细节差不多得了。结果有一次，我把两批跑出来的模拟数据放在一起分析，发现RMSD分布完全对不上，硬是浪费了一周时间排查问题。

事后复盘才发现，问题根源就是批次效应。今天这章，我们就好好聊聊这个坑。

4.1 什么是批次效应？

简单说，批次效应就是非生物学或非物理因素引起的系统偏差。

你想想看，同样的蛋白质，同样的模拟条件，就因为是在不同时间、不同机器、或者不同操作者手上跑出来的，结果却出现了统计上显著的差异。这合理吗？当然不合理。但它就是会发生。

核心矛盾在于：我们做批次分析时，希望数据里的差异来自体系本身的物理变化；而批次效应引入的是与物理无关的噪声。说白了，就是数据里有“脏东西”。

4.2 四大元凶：批次效应从哪里来？

根据我这两年带团队做方法学测试的经验，批次效应主要来自四个方面。我一个个讲。

4.2.1 温度差异——最容易被忽视的变量

温度控制是模拟的基础，但不同批次之间的温度实际值可能差不少。举个例子：

• 第一批用的GPU集群，散热好，控温精度±0.1 K。
• 第二批用的旧CPU集群，散热差，实际温度波动±1.5 K。
• 都设了300 K，但真实温度截然不同。

为什么温度会对模拟产生这么大的批次影响？因为蛋白质的构象采样受温度极其敏感。我之前接过一个case，两批模拟的溶剂化自由能始终对不上，最后发现是第一批的恒温器耦合时间参数写错了，导致有效温度差了3 K。

别小看这3 K，它让蛋白质的螺旋含量变化了约5%。

4.2.2 力场版本——升级就出事儿

力场版本不一致是批次效应的重灾区。

举个例子：

• 项目前期用的ff14SB。
• 项目中期升级到了ff19SB。
• 力场参数变了，配分函数分布都变了。

我当时有个学生，把两批用不同版本力场跑的结果合并起来做PCA，主成分方向都是错乱的。你说这事儿怎么解释？没法解释。版本差别放大了批次噪声。

4.2.3 溶剂模型——水模型选错了批次就废了

溶剂模型的选择对水合性质、离子分布影响巨大。不同水模型之间的差异，有时候比力场版本差异还大。

• TIP3P：最常见，但粘度偏差大，约下降25%。
• TIP4P-Ew：Ewald求和法匹配，密度更准。
• OPC：近年新模型，扩散系数更准。

如果你第一批用TIP3P，第二批用OPC，那水绕蛋白质扩散行为的差异肯定超过物理信号的5%。这种非物理偏差不校正，后面的结合自由能分析就没意义了。

4.2.4 起始结构——初始坐标不同，采样轨迹各异

起始结构是另一个众所周知的批次效应来源。

我做过一个对比测试：同一个蛋白，三批模拟分别用：

1. 晶体结构直接启动。
2. 表面加不同溶剂分子的结构启动。
3. 用上一批次最后一帧作为起始。

你猜怎么着？三批模拟的前100 ns轨迹几乎不重叠。起始结构带来的记忆效应会持续很长时间，尤其是对于慢构象转变。

4.3 检测批次效应的常见方法

我个人把检测方法分成三种层级：

4.3.1 可视化检查（肉眼法）

• 画不同批次的RMSD时间序列重叠图。
• 画PCA投影散点图，用不同颜色标记批次。
• 画键长、键角分布直方图。

4.3.2 定量分析（统计法）

• 计算批次之间的KL散度。
• 做ANOVA方差分析，看批次对关键物理量是否有显著影响。
• 用线性混合模型分离批次效应项。

4.3.3 详细检查（调试法）

• 比较每批模拟的温度控制参数（恒温器类型、耦合时间、温度设定）。
• 比较压力控制参数。
• 核对输入文件中的所有关键字。
• 用diff命令比较两个mdp文件、top文件和gro文件。

diff run1/md.mdp run2/md.mdp
diff run1/protein.top run2/protein.top
grep " temperature " run1/*.log | tail -3
grep " temperature " run2/*.log | tail -3

你看，这东西本身并不神秘。只不过很多人做模拟时，只盯着输出结果看，从来不看输入文件之间的差异。

4.4 本章知识结构图

下面这张SVG图帮你梳理批次效应的核心逻辑：四大原因的来源，以及如何影响模拟结果的可比性。

图里四个原因分别用蓝、红、绿、紫色标注，它们从不同方向汇聚到中心的“批次效应”节点。最终的结果就是模拟结果不可比。这就是你数据出现异常的源头。

4.5 小结

批次效应是分子动力学批次差异检测的第一道关。

理解它、检测它、控制它，是后续所有分析的前提。如果你连模拟批次之间是否真的“物理等价”都不确定，那你做的任何统计推断、自由能计算、PCA分析都可能是空中楼阁。