📚 课程目录第2章批次效应来源与检测

批次效应来源与检测：实验因素与可视化诊断

说到批次效应，很多新手会觉得这是个玄学问题。我最早接触它，是在一次单细胞测序项目中。两个样本明明是同一批细胞，只是因为第三天操作者换了一个人，结果出来，聚类图上两个样本分成了两团。你想想看，这不就是典型的批次效应嘛！

这一章，我们就来聊清楚批次效应到底从哪来，又该怎么发现它。我会从实验因素入手，再给你展示 PCA 和 UMAP 这两种可视化诊断手段。

批次效应的来源：实验因素

批次效应的本质，是实验过程中非生物学因素引入的系统偏差。说白了，就是你在操作、试剂、仪器上的一点小差异，被放大到了数据里。我个人习惯把来源分成四类，见下表：

来源类别	具体因素	典型场景
试剂批次	不同批号的抗体、酶、缓冲液	RNA-seq 建库试剂盒换了批次，表达量整体漂移
操作者差异	不同人员的手工操作习惯	细胞计数、移液精度差异导致细胞数不一致
仪器平台	不同型号或校准状态	旧测序仪与新测序仪在 GC 偏好上有偏差
时间跨度	采样日期、存储时长、环境波动	早上采的样本和晚上采的样本代谢物谱不同

我在项目中遇到过最离谱的一次，是同一个样本的 RNA 建库，因为提前分装到两个不同管子，结果跑出来聚类图上两个样品不重叠。查了半天，原来一根管子离心管盖没拧紧——你看，物理隔离也能引入批次效应。

用 PCA 做初步诊断

PCA，也就是主成分分析。它的核心想法很简单：把高维数据投影到方差最大的几个方向。我习惯先用它做一个快速排查。

操作上，你只需要把样本按批次信息着色，看看同一批样本在散点图上是否聚集在一起。如果是，那批次效应就可能在作祟。

下面是一个典型的 PCA 扫描代码：

import scanpy as sc
import matplotlib.pyplot as plt

# 读取整合后的数据
adata = sc.read_h5ad('data.h5ad')

# 数据预处理
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=2000)
adata = adata[:, adata.var.highly_variable]
sc.pp.scale(adata, max_value=10)

# 执行 PCA
sc.pp.pca(adata, n_comps=30)

# 可视化，按批次着色
sc.pl.pca(adata, color='batch', show=True)

如果 PCA 图上不同批次样本完全分开，说明批次效应非常明显，你必须在后续分析中处理它。

那 PCA 有没有盲区？有。我建议你别只看前两个主成分，也要看看前5个主成分的分布。有一次我遇到一个案例，前两个主成分显示批次分离不大，但到了第5个主成分突然分得很开。所以我的做法是，多看几张散点图。

用 UMAP 做精细解析

PCA 是线性方法，它能捕捉全局结构。但在很多真实场景中，批次效应是非线性的。这时候就要请出我们的第二个工具——UMAP。

你要知道，UMAP 和 PCA 不同，它更擅长保留数据的局部结构。说白了，它能更敏感地发现样本之间的细微差异。所以我个人的经验是：先用 PCA 快速排查，再用 UMAP 精细解析。

UMAP 也需要先基于 PCA 的结果来计算。直接对原始高维数据跑 UMAP 效果可能不好，因为邻居搜索在高维空间会失效（你想想看，维度灾难不是开玩笑的）。

代码示例如下：

# 基于 PCA 结果运行 UMAP
sc.pp.neighbors(adata, n_pcs=30, n_neighbors=15)
sc.tl.umap(adata)

# 可视化，按批次着色
sc.pl.umap(adata, color='batch', show=True)

UMAP 图上如果出现了明显的“条带”或“分区”现象，别犹豫——批次效应就摆在你面前了。

我曾经在一个整合项目中，PCA 看起来一切正常，批次样本混合得还不错。但我坚持跑了一个 UMAP，结果发现每一批样本在 UMAP 空间里都形成了一条细线。那怎么解释？本质上，每个批次内部的样本之间关系很近，但不同批次之间的距离被人为拉大了。这就是 UMAP 的敏感之处。

我的建议： 不要只依赖一种降维方法。PCA 和 UMAP 各有侧重，配合使用才能看到全貌。先用 PCA 排除明显的大规模分离，再用 UMAP 检查局部结构。

两种方法对比

为了让你更直观地理解这两个方法的差异，我整理了一张对照表：

维度	PCA	UMAP
建模方式	线性投影	非线性流形学习
对批次效应的灵敏度	全局结构，适合明显分离	局部结构，适合细微偏差
计算速度	快，适合大规模数据	略慢，依赖邻居计算
可视化效果	轴可解释	局部聚类清晰
典型用法	第一道排查	精细确认

本章知识体系

下面这张图总结了批次效应来源与检测的核心逻辑：

注意： PCA 和 UMAP 只能帮你发现批次效应，不能帮你解决它。发现之后，你还需要用 Combat、Harmony、Scanorama 等方法进行校正。这是后面几章的事，现在先打好诊断基础。

你想想看，如果连批次效应都没发现，直接去做差异分析，结果能靠谱吗？我以前就犯过这个错。当时拿到数据就直接跑差异，结果找出一堆“显著基因”——后来发现全是批次工造成的假阳性。那感觉，就像查了半天案子，最后发现是镜子里的自己。嗯，别提多尴尬了。

所以我的习惯是：每个项目开始前，至少花 15 分钟做一次 PCA + UMAP 的批次可视化检查。这一步花不了多少时间，但能帮你避免未来一个月的痛苦调试。你觉得呢？