4. 常用批次校正方法介绍：ComBat、Harmonization 等

说到批次校正，我最早接触的是基因表达芯片数据，当时不同批次间的差异大到能让你怀疑人生。你以为找到的生物标志物，其实只是批次效应。后来做 ADMET 预测，同样的化合物换个实验室测，结果直接漂移一个数量级。嗯，批次校正不是「锦上添花」，是「不做就完蛋」。

这一章咱们就聊聊几个主流的批次校正方法。我自己的项目经验里，ComBat 和 Harmonization 是出场率最高的两位主角，它们背后原理不一样，调参重点也不同。你会看到有人直接跑默认参数就信了结果——我劝你别这么干。

4.1 ComBat：贝叶斯框架下的老兵

ComBat（Combining Batches）最初是生信圈为了整合基因芯片数据搞出来的，后来被我们做 ADMET 的顺手拿来用。它的核心思路是：对每个特征（比如 logD, 清除率），建立线性模型，将批次均值和方差分别做贝叶斯调整。

公式我就不全列了，你记住两个关键参数就好：

  • prior.plugs（或 Python 版的 prior_std 等）：控制先验强度。值越大，校正后批次之间越「平滑」，但可能抹掉真实生物学信号。我调过一个清除率预测项目，把 prior.plugs 从 0.5 改到 2，RMSE 直接降了 8%——但小心，那也可能是在过校正。
  • 非参数模式（nonparametric）：当批次内样本数太少（比如少于 5），参数估计会崩。这时候走非参数版本会更稳。

下面是一个我在 R 中常用的 Combat 调用，配合一点调参建议：

library(sva)
# edata: 特征矩阵 (特征 x 样本)
# batch: 批次标签向量
# mod: 协变量矩阵 (如年龄、性别，ADMET中常放化合物结构指纹PC1等)
adjusted <- ComBat(
  dat = edata,
  batch = batch,
  mod = mod,
  par.prior = TRUE,       # TRUE用参数先验，FALSE用非参数
  prior.plots = FALSE,    # 先验图，调试时可以打开看看
  mean.only = FALSE       # TRUE只校正均值，方差不变
)
我踩过的坑：mod 里不要把批次标签放进去，否则模型会偷看批次信息导致校正无效。另外，如果你只有两个批次，ComBat 默认用先验可能过于保守，可以考虑用 mean.only = TRUE 先试一版。

4.2 Harmonization（NeuroCombat）：线性混合模型路线

Harmonization 家族（像 NeuroCombat）本质上是 ComBat 的变体，但引入了线性混合模型（LMM），对协变量的处理更灵活。举个例子，当你需要保留 dataset 间的协变量效应（比如两种不同的 ADMET 测定平台）时，Harmonization 能显式建模随机截距和随机斜率。

我个人在跨平台代谢稳定性数据校正时试过 NeuroCombat 的 Python 实现，对比原版 ComBat，它的优势体现在：

  • 对样本量极不平衡的批次（比如 A 批次 1000 个，B 批次 3 个）更鲁棒。
  • 可以处理连续型协变量（比如实验日期，温度）与非线性的批次关系。

调用方式（Python 版 neurocombat）：

from neurocombat import combat as neurocombat
# data: 样本 x 特征的 numpy 数组
# batch: 批次列表
# mod: 包含协变量的矩阵，第一列通常为截距
adjusted = neurocombat(
    data = data.T,          # neurocombat 要求特征 x 样本
    batch = batch_vector,
    mod = covariate_matrix,
    eb = True,              # Empirical Bayes 开关
    parametric = True       # 参数先验
).T                         # 转回样本 x 特征
我曾经在 5 个批次、12 个化合物的小数据集上直接跑 NeuroCombat 默认参数，校正后其中一个化合物的 logD 值被拉到异常区域。后来发现是 eb = True 在小样本下先验估计失真。改成 eb = False（等同于固定效应）才正常。所以，小批次数据（总样本 < 30）我建议先关掉 Empirical Bayes。

4.3 其他常用方法一览

除了 ComBat 和 Harmonization，你还会在实际项目中遇到：

方法适用场景优点缺点
limma（线性模型+经验贝叶斯）微阵列或小样本 ADMET实现简单，统计检验成熟不能显式校正方差，只做均值校正
PCA/ICA 去批次可视化、降维后分析直观，不需要批次标签可能混入生物学变异，谨慎使用
Per-batch Z-score快速审核，粗筛零参数，几行代码搞定只调整均值和方差，无法保留批次间结构差异
MNN（互近邻）单细胞或多模态数据处理复杂批次结构对 ADMET 多批次整合计算量大

说实话，Per-batch Z-score 是我在临时检查时最常用的——用一行 (x - mean(x)) / sd(x) 就够了。但它只能作为基线，正式建模时我几乎不用。

4.4 方法选择的核心逻辑图

为了帮你快速决策，我画了一张流程框架图。你可以直接对照自己的数据情况走一遍：

批次校正方法选择决策树 原始多批次数据 批次数量 ≥ 3？ 是 → 否 → 样本量均衡？ ComBat 非参数 Harmonization 校正后必须验证 评估：PCA/箱线图/RSD 小样本 (n ≤ 5/批次) 建议强制关掉 EB 先验
核心原则：不要依赖单一方法。我一般会先用 ComBat 参数模式 + Harmonization 跑两个版本，然后对比校正前后 PCA 图上批次间的分离程度。如果两者都让批次混在一起了，选验证集 RMSE 更低的那个。

4.5 避坑指南：我翻过的车

  • 把验证集也一起校正了：这是最经典的错。记得先在训练集上拟合成份（先验参数），然后用同一组参数转换验证集。我见过有人直接对整个数据集做 ComBat，然后做交叉验证——结果指标虚高得像假药。
  • 忽略协变量中的实验设计：比如你研究的是肝微粒体 vs 肝细胞，两种基质本身就有差异。如果在 mod 里不放这个因子，ComBat 会把生物学差异也当批次去掉。你想想看，最后模型对真实基质差异的预测能力就没了。
  • 对离散值过分校正：ADMET 数据里的异常值（比如清除率为 0.001），校正后可能被拉回正常范围。但你得先确认那个值是不是测量错误。我自己的做法是先做 Winsorize 再跑校正，不行再去看原始记录。

4.6 小结

ComBat 和 Harmonization 是目前批次校正的黄金搭档。ComBat 适合 3 个以上且样本量相对均衡的批次，Harmonization 在处理高度不平衡或含有复杂协变量时更灵活。别忘了，方法选得再好，不验证就是白做。我个人习惯是：校正完成后，立即画 PCA 散点图 + 计算每个特征的批次内 RSD 中位数。如果 RSD 中位数比校正前下降了 30% 以上，才算初步通过。

← 上一章 📖 返回目录 下一章 →