第3章 批次效应的识别：可视化方法（PCA、箱线图）
你拿到表达矩阵后的第一件事是什么？千万别急着跑差异分析。
我个人的习惯是——先画图看看。数据里有没有隐藏的批次结构，可视化往往比任何统计检验都来得直观。本章我们就聊两种最常用的可视化识别手段：PCA 和箱线图。
3.1 为什么先看可视化？
说白了，批次效应如果存在，它一定会在数据分布上留下“指纹”。
这个指纹可能是样本在低维空间里按批次聚成几团，也可能是某个批次整体表达量偏高或偏低。可视化就是把这些指纹放大给你看。
核心原则：先看全局，再定方案。可视化识别不是最终证据，但它能告诉你“有没有必要做批次校正”，以及“哪种校正方法可能有效”。
我在项目里遇到过这种情况：某次多中心RNA-seq整合，统计检验显示批次效应p值显著，但PCA图上样本完全混匀——后来发现是样本量太大导致的假阳性。所以说，图比数可靠。
3.2 PCA：高维数据的第一只眼睛
主成分分析，说白了就是把几千个基因的表达量压缩成两三个主成分，让你能在二维或三维空间里看到样本的整体结构。
3.2.1 原理一句话
PCA 找到数据方差最大的方向，把样本投影上去。如果批次效应很强，那前两个主成分往往会把不同批次的样本推开。
3.2.2 R代码实战
假设你有一个表达矩阵 expr_mat，行是基因，列是样本。还有一份批次信息 batch_info。
# 转置：让样本成为行，基因成为列
expr_t <- t(expr_mat)
# 运行PCA，中心化和标准化都要做
pca_res <- prcomp(expr_t, center = TRUE, scale. = TRUE)
# 提取前两个主成分
pca_df <- data.frame(
PC1 = pca_res$x[, 1],
PC2 = pca_res$x[, 2],
Batch = batch_info
)
# 用ggplot2画散点图
library(ggplot2)
ggplot(pca_df, aes(x = PC1, y = PC2, color = Batch)) +
geom_point(size = 3, alpha = 0.8) +
stat_ellipse(level = 0.5, show.legend = FALSE) +
theme_classic() +
labs(title = "PCA: 按批次着色")小技巧：如果前两个主成分看不出分离，别急着下结论。试试 PC3 和 PC4，有时候批次效应藏在后面的维度里。我个人习惯把前五个主成分都扫一遍。
3.2.3 怎么看图？
- 完全混匀：不同批次样本交叉分布，没有明显聚类 → 批次效应弱或无。
- 明显分离：同批次样本聚在一起，不同批次之间有清晰边界 → 批次效应强。
- 部分重叠：有分离趋势但边界模糊 → 存在一定批次效应，需结合其他方法判断。
我曾经做过一个项目，PCA 图上批次分离得干干净净，但生物学分组完全混在批次里——那种情况你就别想直接做差异分析了，必须先校正。
3.3 箱线图：分布差异的放大镜
PCA 看的是样本间的关系，箱线图看的是表达值整体的分布。它不关心基因怎么组合，只关心每个样本的表达量高低、离散程度和异常值。
3.3.1 什么时候用？
当批次效应表现为“某个批次整体表达量偏高或偏低”时，PCA 可能看不出来——因为所有基因一起偏移，样本间的相对关系没变。但箱线图一眼就能抓住。
3.3.2 R代码实战
# 把表达矩阵变成长格式
library(reshape2)
expr_long <- melt(expr_mat)
colnames(expr_long) <- c("Gene", "Sample", "Expression")
# 合并批次信息
expr_long$Batch <- batch_info[expr_long$Sample]
# 画箱线图：每个样本一个箱线，按批次着色
ggplot(expr_long, aes(x = Sample, y = Expression, fill = Batch)) +
geom_boxplot(outlier.size = 0.5) +
theme_classic() +
theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
labs(title = "样本表达量分布：按批次分组", x = "样本", y = "表达量")3.3.3 怎么看图？
- 中位数线齐平：各批次样本的中位表达量基本一致 → 没有明显的整体偏移。
- 中位数高低不一：某个批次整体偏高或偏低 → 存在全局批次效应。
- 箱体宽度差异大：不同批次的离散度不同 → 批次影响了数据的变异程度。
注意：箱线图对异常值敏感。如果某个批次里有个别样本的文库构建出了问题，箱线图会拉得很高或很低。我曾经因为这个误判批次效应，后来加上 sample-wise 的 QC 标志才分清楚。
3.4 两种方法怎么选？
它们不是互斥的，是互补的。我一般 PCA 和箱线图都做，先看 PCA 了解全局结构，再用箱线图确认分布偏移。
| 维度 | PCA | 箱线图 |
|---|---|---|
| 看什么 | 样本间关系（聚类/分离） | 表达量分布（中位数/离散度） |
| 适合场景 | 批次效应改变样本相似性 | 批次效应改变整体表达水平 |
| 数据要求 | 高维矩阵，需转置 | 长格式即可，无需降维 |
| 解读难度 | 需要理解主成分含义 | 直观，非技术人员也能看 |
| 敏感性 | 对强批次效应敏感 | 对全局偏移敏感 |
我的经验：两者结合使用。如果 PCA 有分离 + 箱线图有偏移 → 强烈批次效应，必须校正。如果 PCA 混匀但箱线图有偏移 → 可能是技术差异，先检查 QC。如果 PCA 分离但箱线图齐平 → 可能是生物学差异，别盲目校正。
3.5 避坑指南
做可视化识别这几年，我踩过几个坑，分享给你。
- 坑一：样本量不平衡。如果 Batch1 有 50 个样本，Batch2 只有 5 个，PCA 图上 Batch2 被挤到边缘是正常现象，不代表批次效应强。我建议先按批次做随机下采样，平衡后再比较。
- 坑二：PCA 只看前两个主成分。方差占比可能很低（比如只有 10%），剩下的 90% 里可能藏着批次信息。我习惯用
summary(pca_res)看累积方差贡献，把前 5–10 个主成分都检查一遍。 - 坑三：箱线图被异常值带偏。某个样本的文库扩增异常会导致箱线图整体偏移。建议先做样本级别的 QC 过滤，或者改用中位数 + IQR 的展示方式。
- 坑四：过度解读可视化结果。图只是提示，不是证据。如果 PCA 和箱线图都指向批次效应，再用统计方法（如 RUVseq、ComBat）验证一下，别直接下结论。
我的小习惯：每次做可视化识别，我都会保存三张图——PCA（PC1 vs PC2）、PCA（PC3 vs PC4）、批次分组的箱线图。三张图放在一起看，基本不会漏掉批次效应。如果三张图都干净，那我才会放心往下走。
好了，这一章的内容就到这里。可视化识别是批次效应分析的第一步，也是最直观的一步。掌握了 PCA 和箱线图，你就能在数据分析初期快速判断数据质量，避免带着批次效应跑下游分析。