3. 批次效应概述：它到底是什么，从哪来？
各位，我们先不急着谈具体怎么检测、怎么校正。你得先理解一个概念——批次效应。
说实话，我最早接触这个术语的时候，觉得它挺唬人的。但说白了，它就是个系统性偏差。你想想看，我们做基因组注释，尤其是那种大规模的RNA-seq或者WGS项目，样品不可能一天做完、在一个机器上跑完吧？只要是分批次做的，就一定会引入非生物学差异。
为什么会这样？因为实验条件、操作人员、试剂批次、测序仪器，这些变量每换一次，就会在数据里留下“指纹”。这个指纹，就是批次效应。
3.1 批次效应的定义
我习惯这么理解它：批次效应 = 技术重复间不应有的系统性差异。
举个最简单的例子。你把同一个个体的同一样本，在第一周和第二周各测一次。理论上，这两次的结果应该高度一致。但实际呢？你大概率能看到几千个基因的表达量有波动。这种波动，就是批次效应。它不是生物学差异，纯粹是技术噪声。
我有个教训挺深刻的。曾经我接手一个项目，处理的是三个不同中心的RNA-seq数据。结果一跑PCA，咦？第一主成分分得清清楚楚，三个中心各成一团。我还以为是生物学差异，查了半天，最后发现是建库试剂盒批次不同。嗯，从那时候起，我再也不敢轻视批次效应了。
3.2 常见产生原因
批次效应的来源，我总结下来有三大类。咱们一个个看。
3.2.1 实验批次
这是最直接的。你一个项目分几个月做完，每次的实验条件不可能完全一样。
- 试剂批次：同一款建库试剂盒，不同批次的酶活性和接头浓度会有微小差异。我之前做过一个对比，同一RNA样本用两批不同批号的建库试剂，产生的cDNA产量差了大概15%。
- 操作人员：不同人的加样习惯、孵育时间控制，会引入随机波动。
- 实验室环境：温度、湿度，甚至实验室的空气质量，都会对酶促反应产生细微影响。
你想想看，如果你在一个冬天和夏天各跑一批样本，室内温度差了十几度，这个过程会一样吗？显然不会。
3.2.2 测序批次
样本建好库之后，上机测序这一关更是重灾区。
| 来源 | 典型表现 | 影响程度 |
|---|---|---|
| Flow cell 差异 | 不同flow cell上，簇生成密度不同 | 中等 |
| Lane 差异 | 同个flow cell的不同lane，扩增偏好不同 | 较低 |
| 索引(index) 效应 | 不同index之间存在交叉污染或偏向 | 高 |
| 测序仪器差异 | 不同型号（如HiSeq vs. NovaSeq）读长、碱基质量不同 | 非常高 |
我遇到过最典型的情况是：一个项目用了两种测序平台。一部分在HiSeq 4000上跑，另一部分在NovaSeq 6000上跑。结果呢？表达量矩阵里，同一个基因居然能差2-3倍。这不校正，直接合并分析的话，那结果就是一团垃圾。
3.2.3 建库批次
这是很多人容易忽略的。建库过程本身就会引入批次效应。
- 建库试剂盒类型：PolyA捕获 vs. rRNA去除 vs. 总RNA建库，得到的转录本覆盖度完全不同。
- 建库时间：隔了几个月再建的一批库，RNA完整性可能已经下降。
- PCR扩增轮数：扩增轮数多的样本，GC偏好更明显。
3.3 批次效应的核心挑战
你可能会问：批次效应这么明显，把它去掉不就行了？
其实没那么简单。难点在于：批次效应常常与生物学差异混杂在一起。
举个例子。你想研究一种疾病，从医院收集了患病组和对照组样本。但患病组都是在今年收集的，对照组是去年的样本。这时候，如果做个差异分析，你找到的差异基因到底是疾病导致的，还是年份不同带来的批次效应？
这个问题是无解的。一旦批次和生物学分组完全混杂，任何统计学方法都无法把两者分开。所以，我在做项目规划时，一定会要求：批次内尽可能包含所有生物学分组。这是最基本的前提。
下面这张图，帮你直观理解批次效应的来源和它们之间的层级关系。
3.4 一句话总结
批次效应不是洪水猛兽。它是个客观存在。你只要有心理准备，在实验设计阶段就做好应对，后面用合适的工具去检测和校正，就没有大问题。
我个人最喜欢的做法是：实验前写好批次分配表，实验后第一时间检查主成分图。只要看到PC1上按采样时间或测序批次分团，我就知道，该出手了。