1. 批次效应概述：为什么我们总在跟它较劲
做文献数据整合分析的朋友，十有八九都被批次效应坑过。
我先讲个真实案例。几年前我帮一个课题组整合公共数据库里的基因表达数据。三套独立研究，测的都是同一种癌症。我满怀信心跑完差异分析，结果发现差异基因全是实验室ID——而不是疾病相关的。说白了，第一套数据的样本和第二套数据的样本，它们的“群体差异”远远大于癌组织和正常组织的差异。这就是批次效应在作祟。
1.1 什么是批次效应
批次效应，简单说就是不想要的系统误差。它不是在实验中故意引入的，而是实验操作中的“副产品”。比如：
- 不同时间做的实验
- 不同操作员处理样本
- 换了一盒试剂或一个芯片批次
- 室温、湿度、仪器状态的变化
你想想，这些因素和数据没有半毛钱关系，但它们却会漂移数据的分布。我在项目中遇到最典型的一个例子：同一批细胞样本，上午测和下午测，表达谱的PCA图就能给你分成两团。搞数据分析的人要是无视这些，结果基本就废了。
批次效应的核心特征：
| 特征 | 说明 |
|---|---|
| 系统性 | 影响同一批次所有样本，不是随机噪音 |
| 与生物学无关 | 你研究的是疾病机制，不是实验日期 |
| 隐式存在 | 不刻意检查，很难发现 |
| 可传递 | 跨平台、跨实验室整合时会被放大 |
1.2 在文献数据中的表现
在探索性分析里，批次效应会以各种“伪装”出现。
PCA/UMAP 聚类不对。我最常见到这一幕：主成分分析的前两个主成分不按生物学分组（比如肿瘤 vs 正常）分离，而是按批次标签堆在一起。你一看图，红色点是第一批的，蓝色点是第二批的，跟疾病分期毫无关系。嗯，这里要警惕——你的数据很可能已经被批次效应“劫持”了。
技术重复不一致。同一个样本在两个批次里测，按理说应该高度相关。但如果你发现两个技术重复的相关系数不到 0.8，而不同生物学样本反而有 0.95 的相关性……那我只能说，批次效应已经盖过了生物学信号。
置换检验表现诡异。我习惯在做差异分析前，先做一次标签置换检验。如果置换后的“假发现”居然比真实标签下的“发现”还多，十有八九是批次效应在捣鬼——因为模型捕获的是批次结构，而不是生物学差异。
我整理了一个快速自检列表：
- PCA 图里样本颜色按批次聚集？ → 有批次效应
- 热图聚类时，样本树先按批次分叉？ → 有批次效应
- 差异分析结果多为批次相关基因？ → 必须校准
- 整合数据集后，batch 列解释的方差大于 condition 列？ → 强烈批次效应
1.3 为什么必须校准
如果不校准批次效应，你的下游分析会面临几个致命问题：
- 统计推断失真。差异分析结果不可靠，你看到的“差异基因”其实是实验室间差异。我见过有人花了两个月验证的标记物，最后发现是批次差异——想哭都哭不出来。
- 模型泛化能力差。用包含批次效应的数据训练分类器或预测模型，模型大概率学到的是如何区分批次，而不是如何区分疾病亚型。这样的模型换个新实验室的数据，准确率可能直接跌到零点几。
- 生物学结论不可重复。你发表的标记物，别人用另一批样本验证不出来，这不是你的错，但锅得你背——因为数据里的批次效应没有妥善处理。
- 削弱统计功效。批次效应会增加误差项方差，掩盖真实的生物学差异，导致你需要更大的样本量才能发现同样的信号。
我在写这个课程时，心里始终有一个原则：教给你的不是花哨的方法，而是能真正解决问题的工作流。后面我们会一步步搭建从检测、可视化到校准的完整流程。你可能会问，怎么校准？用什么方法？参数怎么选？别急，这些都是后续章节的内容。
但我得先强调一点：校准批次效应不是万能的。我遇到过一些情况，批次效应和生物学效应完全混杂，无法分离（比如所有早期样本都在第一批，晚期样本都在第二批，批次和疾病进展完全纠缠）。这种情况下，任何校准方法都救不回来。所以实验设计阶段就考虑批次问题，比事后补救强一百倍。
嗯，这一章我们先聊到这里。批次效应的概念、表现、以及必须校准的理由，你应该已经清楚了。后面每一章我都会用一个核心知识点 + 实操案例的形式推进，确保你能边学边用。