2. 批次效应是怎么来的？从生物学到统计学
今天咱们聊聊批次效应的根源。说白了，就是为什么同一种实验，换个时间做，结果就不一样了。
我个人习惯把原因分成两类：生物学源头和统计学表现。一个管“怎么来的”，一个管“长什么样”。
先看个我早年踩过的坑。记得有个癌症项目，分三批送测。第一批是医院A的样本，第二批换了个医院，第三批连试剂盒都换了。结果PCA一画，样本按批次聚成三团，完全看不到肿瘤分型。老板问我：“数据是不是假的？”
我当时解释了一通批次效应，但说实话，自己也是懵的。后来才慢慢理清这里的门道。
2.1 生物学原因：其实不只技术问题
很多人以为批次效应全是仪器漂移或试剂差异。其实好多是生物学本身带来的。你想想看：
- 样本采集时间不同：人的生理状态早上和下午就不一样。小鼠的昼夜节律也会左右基因表达。
- 样本处理方式：有的实验室用液氮速冻，有的放-80℃过夜。RNA降解程度差很多。
- 个体差异：不同个体的基线表达本身就不一样。要是每组样本数少，这种差异很容易被误判为批次效应。
举个例子。我处理过一个RNA-seq数据，来自三个不同季节采集的血样。冬季样本的免疫相关基因普遍偏高。这不是技术问题，而是人体对寒冷环境的自然反应。但如果我们按批次校正，可能就把真实的生物学信号给校没了。
2.2 统计学原因：数理层面怎么表现
从统计角度看，批次效应其实是一种系统性的偏差。它不随机，也不独立于分组。
我一般会用这个模型来理解：
Y_ij = μ + β_i + ε_ij其中：
Y_ij：第i批第j个样本的观测值μ：真实均值β_i：第i批的批次效应ε_ij：随机误差
如果β_i在所有基因上都是常数，那这属于全局偏移，比较好处理。但现实往往更恶心——基因特异性的批次效应才是常态。
| 统计学表现 | 含义 | 处理难度 |
|---|---|---|
| 位置偏移 | 各批次的均值整体偏高或偏低 | 低（直接均值中心化） |
| 尺度变化 | 各批次的方差不同 | 中（需要标准化） |
| 交互效应 | 批次效应与分组变量纠缠 | 高（可能无法完全校正） |
| 缺失数据模式 | 某些信号只在部分批次被检测到 | 极高（丢弃部分基因） |
我见过一个更隐蔽的问题。有人做单细胞测序，不同批次测出的细胞类型比例差异巨大。这不是基因表达的问题，而是细胞捕获效率不同导致的组成效应。你用常规方法一校正，某些稀有细胞群直接消失了。
2.3 为什么批次效应总是阴魂不散？
说白了，现代高通量实验太“灵敏”了。一个PCR扩增都会因为微小温度变化而放大差异。更别提测序仪不同通道间的荧光强度差异。
我之前做过一个仿真实验。把同一样本分成两份，在同一天、同一仪器上跑两次。结果发现，即使这样，也有约5%的基因存在显著差异。这些差异完全来自随机噪音。当样本量增加时，这种噪音会累积，形成伪装的“批次效应”。
你想想看，如果某个批次效应强度是真实生物学效应的一半，那你的统计分析马上变得非常脆弱。需要更大的样本量才能分离出真实信号。这也是为什么我一直强调：实验设计时就要做批次规划，别等数据出来了再想办法。
说实话，理解批次效应的根源，比学习任何校正算法都重要。因为只有知道它怎么来的，你才能对症下药。否则，对着一个PCA图，你都不知道该信谁。