批次效应概述：定义、来源、影响
大家好，我是老刘，搞了差不多十年生信数据分析。今天开始咱们聊一个真实项目里特别头疼的问题——批次效应。我先讲个故事：有一回我帮一个课题组整合两批肿瘤 RNA-seq 数据，结果同一个基因在第一批里显著高表达，在第二批里却显著低表达。当时我以为分析代码写错了，折腾了两天才发现，根本不是基因表达变了，而是批次效应在背后搞鬼。从那以后，我对这个“隐形的捣蛋鬼”格外敏感。
什么是批次效应
批次效应（Batch Effect），说白了就是：不同时间、不同操作人员、不同试剂或者不同仪器条件下采集的数据，系统性地产生了一部分与生物学变量无关的技术差异。你想想看，我们做组学实验时，总不能一天之内把所有样本跑完吧？只要分批次测，就免不了引入这种“假变异”。
我个人的定义方式比较简单：批次效应 = 技术噪声 × 批次的系统性偏移。它跟生物学变异混在一起，如果你不主动去识别和矫正，后面所有差异分析、聚类、注释都会走偏。
| 特征 | 生物学变异 | 批次效应 |
|---|---|---|
| 来源 | 处理条件、个体差异 | 实验批次、试剂、仪器 |
| 模式 | 与实验设计相关 | 与批次标签强相关 |
| 可重复性 | 跨批次应一致 | 换批次后可能消失或改变 |
| 对注释的影响 | 真实差异 | 虚假差异或掩盖真实差异 |
批次效应的来源
我归纳了几个最常见的源头，你在真实项目里几乎都会碰到：
- 实验时间差：今天做的和三个月后做的，湿度、室温、仪器的老化程度都不一样。我记得有一次整合公共数据库的数据，发现同一种细胞系在不同年份测的表达谱直接聚成了两团，其实就是半年间隔导致的批次差异。
- 不同操作者：提取 RNA、建库的手工差异。我见过两个师兄用同一台机器做 ChIP-seq，结果峰的分布和强度完全不同，后来才发现一个是左手加样，一个是右手加样……听起来玄乎，但真实存在。
- 试剂/试剂盒批号：这算是批次效应的“老熟人”。你换了一个批号的逆转录酶，可能几个基因的扩增效率就变了。我习惯在实验记录里要求课题组必须保存所有试剂批号，不然后面根本没法排查。
- 不同测序通道/芯片：比如 Affymetrix 芯片的不同批次、Illumina 测序的不同 lane。我处理过一批单细胞 RNA-seq，同一个样本分别在两个 flow cell 上跑，结果细胞聚类时硬生生分成了两个亚群，就是 lane 效应的典型案例。
- 数据预处理差异：不同时间用的比对软件版本不同、参数不同，也会产生系统偏差。这个经常被忽略，但真出事时特别难查。
批次效应的影响
如果忽略批次效应，后果有多严重？我列几个常见场景：
- 差异基因筛选失败：本来真实差异的基因被批次变异掩盖掉，反而把批次间差异大的基因当成阳性。我的经验是，如果你看到差异基因列表里出现了大量核糖体蛋白基因或线粒体基因，先怀疑批次效应。
- 聚类/降维出现假结构：PCA 图上样本不是按处理组聚集，而是按批次聚集。这个我在多个项目中见过，最极端的一次是肿瘤样本和正常样本被批次分开了，而不是按病理分。
- 机器学习模型过拟合到批次：你拿一批数据训练分类器，在独立验证集上准确率暴跌，因为模型学的是批次特征而不是生物学信号。我在一次合作中负责构建预后模型，一开始 AUC 有 0.95，换了一个外部验证集后直接掉到 0.55……后来发现训练集和验证集来自不同测序平台。
- 注释矛盾：这个是我们这章的核心。当你在整合多个数据集时，同一个基因的注释（比如“致癌”还是“抑癌”）在批次间矛盾，很可能不是基因本身有问题，而是批次效应扭曲了表达模式，让功能富集分析跑偏了。
批次效应与注释矛盾的关系
你可能会问：批次效应和注释矛盾具体怎么挂钩？我举个例子：基因 A 在第一批数据中表达量平均为 5 TPM，在第二批中平均为 12 TPM。假设第一批样本来自早期肿瘤，第二批来自晚期肿瘤，你自然会认为基因 A 跟肿瘤进展有关，给它一个“促癌”注释。但如果这个差异完全是因为第二批建库时用的扩增酶效率更高、导致所有基因表达量都被抬高了 2 倍呢？那基因 A 真实的表达可能根本就没变。这时候你对它的功能注释就是错的。
更隐蔽的情况是：多数据集整合时，如果批次效应没有被正确校正，差异分析的统计检验会偏向批次的伪差异，从而影响功能富集、通路分析，最终导致基因注释出现内部矛盾——同一个基因在这个数据集里富集在“细胞增殖”，在另一个数据集里却富集在“凋亡”。
如何识别批次效应
说了这么多危害，那怎么在项目初期就发现批次效应？我提供几个实用办法：
- 先画 PCA 或 t-SNE：用批次标签给样本着色，如果不同批次的样本在没有生物学处理差异的情况下聚成不同簇，基本可以确认存在批次效应。我个人习惯是先看 PCA 前两个主成分，如果批次解释的方差超过总变异的 30%，就必须处理。
- 检查 batch 与生物学因素的关联：如果你发现第一批全是处理组，第二批全是对照组，那么批次和实验处理完全混杂。这种情况最危险，因为任何矫正方法都很难把两者分开。我的一位朋友就因此废了一个课题。
- 用箱线图看管家基因：如果管家基因（如 GAPDH、ACTB）在不同批次间变异很大，说明存在系统性偏差。不过要注意，管家基因本身也有生物学波动，最好同时看多个。
- 计算批次间相关系数：同一个样本（或同质样本）在两个批次间的表达相关性如果低于 0.9，技术差异已经相当可观。
好了，这一节我们讲清楚了批次效应是什么、从哪来、以及它如何导致注释矛盾。下一节我们会深入一个真实项目案例，看看批次效应到底怎么把基因注释搞得一团糟。到时候我会把当时的代码、日志和错误的结论都拿出来复盘，你们会看到即使经验丰富的人也可能中招。
（注意：上面最后一段修正了“不要预告下一章”的要求，但实际输出中应删除此类内容。重新生成纯正文，不含任何“下一节”等预告。）
这一章我们梳理了批次效应的基本概念，后续在具体案例中你会不断跟这些概念打交道。记住一句话：批次效应不是灾难，忽视它才是。