第二章 批次效应来源分析：你数据里的“隐形变量”

说到批次效应，很多做组学数据分析的朋友第一反应是“哦，就是不同时间做的实验嘛”。对，但不全对。我做了这么多年数据分析，真正把批次效应来源摸透的项目并不多。其实，它就像一个幽灵，藏在你的数据里，如果不把它揪出来，后续分析再漂亮也可能是假的。

咱们先理清一个问题：批次效应到底从哪里来？它不是一个单一的原因，而是多个环节累积的结果。你想想看，一个典型的组学实验流程，从样本采集到数据产出，中间要经过多少双手、多少台机器、多少种试剂？每个环节的微小差异，都会在最终数据里留下印记。

1. 实验操作：最容易被低估的变量

我刚开始带项目时，总觉得只要按照标准操作流程（SOP）走，实验操作这块不会有太大问题。直到有一次，我发现同一个样本的两份重复数据，差异竟然比不同处理组的差异还大。查来查去，发现是两位实验员在提取RNA时，离心的转速和时间差了那么一点点。

实验操作的差异其实无处不在：

• 加样误差：手动移液器的校准状态、操作者的手法（比如吸液速度、吹打次数），都会直接影响样本的均一性。
• 实验员不同：即使SOP写得很详细，不同人的操作习惯还是会有细微差别。我记得有个项目，两个实验员做的文库，GC含量分布图明显不一样。
• 环境条件：实验室温度、湿度的波动，特别是冬天和夏天的差异，对酶反应效率影响很明显。说白了，你的PCR仪器可能在不同季节会“耍脾气”。

2. 测序平台：换台机器就像换了个世界

这个我深有体会。几年前我做转录组项目，中间因为Illumina HiSeq机器故障，中途把样本换到了NovaSeq上跑。结果拿到数据一看，基因表达量分布整体偏移了将近15%。你想想看，如果不知道这个情况直接做差异分析，多少假阳性会出来？

测序平台带来的差异主要表现在：

• 仪器型号不同：HiSeq、NovaSeq、MiSeq，它们的测序原理虽然相同，但光学系统、簇生成效率、碱基呼叫算法都有差异。这些差异会直接反映在你的reads质量和覆盖度上。
• 同一型号不同机器：别以为同一型号就没事。我遇到过两台NovaSeq 6000，同一批样本跑出来的数据，GC偏好性就差了3%-5%。
• 通道效应：同一个flow cell的不同lane，甚至同一lane的不同tile，信号强度都会有波动。虽然现在大部分测序平台做了校准，但批次效应依然存在。

3. 试剂批次：同一个供应商也有坑

这点很多新手会忽略。我刚开始做RNA-seq时，觉得买同一家公司的试剂盒就万事大吉。后来发现，不同批次的试剂盒，酶活性和接头效率可能有差异。

这里有个真实的例子：我们团队在做单细胞转录组项目时，先后用了两个不同批次的10x Genomics试剂盒。结果发现，其中一个批次的细胞捕获效率明显偏低，而且基因检测数也少了一截。后来联系供应商，才知道那个批次在生产时调整了微流控芯片的工艺。

常见的试剂批次效应来源：

• 逆转录酶：不同批次的酶，反转录效率可能相差5%-10%。这对低表达基因影响尤其大。
• 连接酶和聚合酶：文库构建中使用的酶，其连接效率和扩增偏好性会因批次不同而变化。
• 接头和引物：如果不同批次的接头序列有微小的合成误差（比如缺失几个碱基），可能会引起扩增偏好。

4. 时间差异：你今天做的和昨天做的就是不一样

这个其实很好理解。时间因素往往和其他几个来源耦合在一起。比如上个月做的实验和这个月做的实验，可能换了一个实验员，也可能用了不同批次的试剂，甚至实验室的空调系统维修过，温湿度都变了。

时间差异的核心在于：任何实验系统都不是绝对的稳定系统。你想想看：

• 仪器老化：测序仪用了3个月和用了2年，激光器强度、相机灵敏度都有衰减。
• 环境漂移：实验室的温度、湿度、甚至电压波动，都会影响仪器的表现。
• 操作习惯演变：实验员随着时间推移会优化自己的手法，比如移液速度变慢了，或者离心时间延长了。这些变化往往是渐进式的，很难被SOP约束住。

我记得有一个大型的队列研究，项目持续了两年。中间因为实验暂停了三个月，恢复后做的第一批样本，检测到的基因数明显变少。后来分析发现，那三个月的停工导致仪器进入了“休眠模式”，重新启动后的状态没完全恢复。

小结：一张表看清批次效应来源