第二章 常见批次效应来源与表现归纳总结
做过多中心数据的人都懂，批次效应就像个幽灵。明明实验流程写得清清楚楚，可数据一合并，总能给你整出点幺蛾子。我记得刚接触这个领域时，最让我头疼的不是模型调参，而是数据里那些莫名其妙的分群。后来才明白，这玩意从你开始动手的那天就埋下了种子。
这一章，咱们就聊聊批次效应到底从哪来，长什么样。你只有先认识它，才能调教它。
2.1 批次效应的“温床”：四大主要来源
我个人习惯把批次效应的来源归为四类。你想想看，任何实验都逃不开这四样东西：人、机、料、时。
| 来源类别 | 典型表现 | 影响程度（我的经验） |
|---|---|---|
| 操作者差异 | 同一协议在不同实验室执行时，因为人员习惯、培训程度的差异，产生系统性偏差 | ★★★☆ |
| 仪器/平台变异 | 不同型号、不同序列或不同版本的分析仪器，测出的数值天然存在量级偏移 | ★★★★ |
| 试剂/耗材批号 | 抗体、酶、缓冲液，不同的批号活性可能有明显差异，甚至同一公司不同批次都存在漂移 | ★★★☆ |
| 时间/环境漂移 | 同一个实验室、同一批人，春夏季和秋冬季的数据可能都不一样；长时间采样更是如此 | ★★★★ |
我在项目中遇到过最典型的例子——一个多中心队列，本该完美聚合的PCA图，愣是分成了三堆。一查，三个不同操作者。说白了，人是最不可控的因素。
2.2 数据层面的“罪证”：三大典型表现
知道了来源，还得会看表现。你光怀疑有批次效应没用，得拿出证据。
2.2.1 聚类分离——最直观的死穴
为什么 PCA 或 t-SNE 图一看就露馅？因为数据不会撒谎。同一个生物学组的样本，本该混在一起才对。如果不同批次的样本在降维图上形成了各自独立的“帮派”，那基本实锤了。
我跟你讲个判断小窍门：你要是发现批次分组的边缘比生物学分组还清晰，那恭喜你，批次效应已经严重到影响后续分析了。
2.2.2 统计量偏移——钻到细节里看
降维图是宏观，那统计学上怎么看？你得盯着几个核心指标：中位数、均值、变异系数。比如抗体阳性率，按理说同一组样本间差异不大。但如果你发现批次A的中位数比批次B高出一大截，那就有问题了。
这里给个实用的检查清单：
- 看直方图分布：是不是不同批次的峰位置不一样？
- 看箱线图：批次A和批次B的中位数线是否重合？
- 看变异系数：如果同一批次内波动小，批次间波动大，这就是标志性的“夹层现象”
2.2.3 差异表达或系数异常——内伤表现
有的批次效应不显眼，但内伤很重。比如你在一个两组对比的队列里发现了一批异常高表达的基因。为什么？因为这一批样本的批次标签刚好和目标变量有共线性。
举个例子，你要比较“患者 vs 健康人”，结果批次1全是患者，批次2全是健康人。这时候你发现的差异到底是病情差异，还是批次差异？坦白说，这个问题如果不解决，你后面的结果全是假阳性。
所以，我建议你在做差异分析之前，先把批次和实验分组做卡方检验，看看有没有严重的不平衡。如果发现了，要么重新设计分析策略，要么得用后面章节提到的校准手段。
2.3 一张图看清：批次效应的来源与表现脉络
我把上面讲的内容画成了一个大图。你顺着这个结构看，就能对整个批次效应有个整体认识了。
2.4 实战：如何快速定位批次效应？
理论知识讲完了，咱们得落地。你有没有好的快速定位方法？我个人有个三板斧。
2.4.1 第一斧：肉眼扫描——热图 + 聚类树
搞一张表达矩阵的热图，行是样本，列是特征。如果样本的聚类树是按批次号而不是按生物分组分的，那就非常明显了。你可以用下面的示例代码快速生成热图来检查。
# 假设 data 是样本x特征矩阵，batch 是批次标签向量
import seaborn as sns
import matplotlib.pyplot as plt
sns.clustermap(data, col_cluster=False, row_colors=batch_colors,
cmap='vlag', figsize=(10, 15))
plt.show()2.4.2 第二斧：定量指标——SIL分数和批次熵
光用眼睛看太主观了。你还可以用一些定量指标。我最常用的是批次轮廓系数——计算按批次分组时的平均轮廓宽度。如果这个值接近0.5以上，问题就值得重视了。还有一种叫批次熵，衡量批次标签在样本聚类中的混合程度。
# 计算批次分组轮廓系数示例（简化版）
from sklearn.metrics import silhouette_score
# dist_mat 是样本间距离矩阵
batch_sil = silhouette_score(dist_mat, batch_labels, metric='precomputed')
print(f'Batch silhouette score: {batch_sil:.3f}')2.4.3 第三斧：单变量走起——看特征筛选后的分布
我最担心的，其实是那种“全局看起来还行，局部却有问题”的批次效应。怎么查？对每个特征（比如每个基因、每个通道）单独画箱线图，按批次着色。如果某个特征在批次间有明显的中位数或四分位距差异，那这个特征单独得标记出来处理。
你问我怎么快速找出这些特征？变异系数（CV）或者批次间ANOVA的p值都行。我在项目中一般用p值 < 0.05且差异大于某个阈值的特征作为“震源”。