批次效应的来源分析
说实话，很多初学者上来就问“怎么消除批次效应”，但我觉得更重要的是先搞清楚它从哪儿来。你不找到源头，后面那些校正方法用起来就像瞎猫碰死耗子。
我这些年经手过不少文献抽取项目，碰到的批次效应来源五花八门。总结下来，主要可以归成四大类：实验条件、平台差异、操作者、时间批次。下面我一个一个拆开讲。
实验条件——最隐蔽的干扰源
你以为同一天做的实验就万无一失？不一定。温度、湿度、试剂瓶号，甚至培养箱门开关次数都能引入偏差。
我印象很深的一个项目：两批小鼠肝组织样本，RNA-seq出来的表达谱差异大得离谱。我反复检查，后来发现第一批是在冬天做的，第二批是在夏天——实验室空调坏了，温度差接近8°C。就这么简单，基因表达就跟着变了。
常见的实验条件因素：
- 试剂批次：同一家公司不同批次的裂解液、逆转录酶、接头，活性可能不一致
- 环境温度/湿度：RNA更容易降解于高温高湿环境
- pH值：细胞培养基或缓冲液的微小差异
- 培养设备：不同孵育箱、离心机设定偏差
我踩过的坑： 曾经有一个文献抽取项目，我用同一份血液样本同时做了两次提取，结果差异很大。最后发现是离心机转子没平衡——这不是开玩笑。所以实验条件要逐个排查。
平台差异——换机器如换实验
这个比较直白。你用Illumina HiSeq和NovaSeq跑同一个文库，结果肯定不一样。更别说不同平台之间的差异大到能盖过真实生物学信号。
我个人习惯是：在做meta分析之前，先画个PCA或MDS图，按测序平台着色。如果样本聚成一团，说明平台影响小；如果分成好几团，那就麻烦了。
平台差异具体表现：
| 对比项 | HiSeq 2500 | NovaSeq 6000 |
|---|---|---|
| 测序长度 | 长读长（150PE） | 短读长（100PE） |
| 碱基质量分布 | 末端下降快 | 整体平稳 |
| GC偏好 | 中度 | 轻度 |
你要是做文献抽取，还要考虑不同仪器厂商的版本。比如Affymetrix芯片和Infinium芯片，探针设计原理都不同，你说的“同一个基因”，在两个平台上的测量值根本不能直接比。
操作者——人为偏差不可忽略
这个嘛，你得承认：不同的人做同一件事，结果就是不一样。我记得刚入行时带过一个实习生，他提取RNA的得率总是比我低20%。后来发现他移液器操作太快，吸头松开慢了半拍。
说白了，操作者差异主要体现在：
- 移液精度：不同人习惯的吹打次数、角度不同
- 孵育时间：有人计时精准，有人“大概差不多”
- 离心速度：有人喜欢多转一会，有人着急收样
- 标记混淆：样品的管子上贴错标签——这个最致命
我的建议：如果项目涉及多个操作者，最好让每个人负责固定步骤，或者轮流做同一批样本的重复，然后用相关系数评估一致性。
时间批次——最容易被忽视的“时间效应”
这个很有意思。同一台机器、同一个人、同样的试剂，换了时间再做，结果可能就变了。为什么？
- 试剂储存时间：酶活性随存放时间下降
- 仪器校准周期：仪器需要定期校准，两次校准之间可能有漂移
- 样本本身老化：组织样本冷冻时间越长，RNA降解越多
- 实验室环境昼夜波动：晚上空调停掉，温度可能升高
我曾经参与过一个大规模文献抽取项目，前后延续了三个月。按月分批次做PCA分析，结果第一个月的样本和第三个月的样本明显分离。我一开始还以为是我分析方法出错了，后来发现是同一批引物在-20°C放了三个月，活性衰减了。
所以啊，关键是要记录每个样本的处理日期，然后把它作为一个协变量加到模型里。如果你不记录，后面想排查都无从下手。
各来源特点对比一览
为了让你看得更清楚，我做了个表：
| 来源 | 典型表现 | 检测难度 | 常见排除方法 |
|---|---|---|---|
| 实验条件 | 样本间表达量整体偏移 | 高（需要详细记录） | 标准化处理、批次回归 |
| 平台差异 | 特征分布形状不同 | 中（容易可视化发现） | ComBat、Harmonization |
| 操作者 | 方差增大、离群样本 | 中（需重复实验） | 操作标准化、自动化 |
| 时间批次 | 按时间顺序聚类的样本 | 低（只要记录了时间即可） | 时间协变量校正 |
关键提醒：批次效应往往是多重来源叠加的。你一个人做实验可能平台差异小，但加上时间效应和操作者效应后，批次效应就会变得错综复杂。所以识别的时候要多个角度同时看。
核心逻辑图：批次效应来源总览
下面这张图我根据多年经验画出来的，你看一眼就能记住四个主来源和它们下面的典型因素：
嗯，看完这张图你心里应该有数了。其实很多时候，你不需要一上来就用复杂的算法去校正，先把这些来源记录下来、可视化出来，就能解决一大部分问题。
我个人的工作流是这样的：数据一拿到手，先检查元数据中有没有批次ID。如果没有，我就根据样本处理日期、实验人、测序仪器这三个字段手工构造一个。然后跑个PCA，样本自动按批次颜色分开了——这时候你一眼就能看出批次效应到底有多严重。
你可能会问：那我怎么知道我这一批具体受哪个因素影响最大？这个我们在后面的章节会展开讲检测方法。这里先记住一个原则：宁可多记，不可漏记。我曾经因为没记录试剂批号，多花了两个月才定位到问题。
我的一个小技巧：每次做文献抽取项目时，顺手建一个配置文件，把已知的批次变量都写进去。就像下面这样：
batch_info:
- sample_id: "S001"
batch_date: "2024-01-15"
operator: "Li"
platform: "NovaSeq6000"
reagent_lot: "LOT-A123"
- sample_id: "S002"
batch_date: "2024-02-20"
operator: "Wang"
platform: "HiSeq2500"
reagent_lot: "LOT-B456"这样后面做批量校正时，直接读取这个YAML文件就能自动处理了。
好了，关于批次效应的来源，我就先聊到这儿。你记不记得住不是我关心的——但如果你真的去实操一次，把上面四种来源都排查一遍，你就知道我在说什么了。