2、批次效应概念与来源：实验批次、试剂批次、仪器漂移、人为操作差异

做ADMET数据分析的朋友，十有八九都遇到过这种情况：同一批样品，隔了两个月再测一遍，结果对不上。你第一反应是实验做错了，但仔细排查后发现——仪器没变、方法没变、人也没变，唯一变的是「批次」。

什么是批次效应？说白了，就是不同批次测量之间出现的系统性偏差。它不是随机误差，而是由实验条件、试剂、仪器或操作者的变化带来的「结构性噪音」。在ADMET筛选中，这种效应会直接干扰你的判断——到底这个化合物的活性变化是真实的，还是批次带来的假象？

我个人习惯把批次效应比作「照片色差」：同一场景用不同相机拍，颜色总有点不一样。你能说哪张是对的吗？都对，但放在一起比较时就会出问题。

1. 实验批次差异

实验批次差异是最常见的一类。你今天做一批，下周再做一批，条件不可能完全一样。室温、湿度、操作台的洁净度、甚至电源的稳定性，都会带来微妙变化。

我在项目中遇到过最典型的一次：同一个化合物库，分三周测了三轮，结果IC50值波动超过30%。排查到最后才发现——是实验室空调坏了，第二轮测试时温度比平时高了3度。你想想看，这点变化在平时根本不会注意，但偏偏就这一轮的数据，把所有结论都带偏了。

所以我的建议是：如果实验周期较长，一定要记录每批次的环境参数。你永远不知道哪个变量会趁你不备搞事情。

2. 试剂批次差异

试剂批次差异，说白了就是「换了一瓶试剂，结果全变了」。这在ADMET中尤其常见，因为很多试剂对纯度、溶剂、储存时间高度敏感。

举个例子：Caco-2细胞实验用的培养基，不同批次之间的氨基酸浓度可能有微小差异。这些差异单看都在合格范围内，但叠加到细胞生长和转运实验结果上，就可能产生显著偏移。我记得有一次做P-gp底物识别实验，换了批培养基后，外排比直接从2.1掉到了1.4，差点让我以为化合物出了问题。

3. 仪器漂移

仪器漂移是个「温水煮青蛙」的问题。它不会让你的数据突然崩掉，但会慢慢偏掉。你想想看，一台液相色谱仪的检测器，使用半年后响应值下降10%，这很正常。但如果你没有监控这个趋势，就会把逐渐变小的峰面积误认为化合物浓度降低。

我记得有次做PAMPA渗透性实验，连续三个月的数据看起来都挺正常。直到做年度仪器校验时才发现——那个荧光检测器的增益已经偏了15%，之前的数据全部需要校正。那批数据最后还是重新测了，教训很深。

常用的办法是：每批次测试都加入标准品，用标准品的响应值来校准仪器漂移。说白了，就是给仪器设一个「参照系」。

4. 人为操作差异

人为操作差异，这个在多人协作的项目中特别突出。不同操作者的加样手法、孵育时间控制、甚至读板的习惯，都会带来差异。

我曾经在两个实验室之间做过一次对比实验：同样的样品、同样的试剂、同样的仪器型号，只是操作者不同。结果两个实验室的数据相关性只有0.85。后来一分析，差异主要来自加样步骤——一个实验室用多通道移液器，另一个用单道移液器，加样时间差了一倍。说实话，这个结果让我挺意外的，但仔细想想确实合理。

解决方案其实不复杂：制定标准操作流程