📚 课程目录第1章批次效应概述

1. 批次效应概述：到底是什么在搞鬼？

做组学数据分析的朋友，十有八九都踩过批次效应的坑。我最早接触这玩意儿是在一次转录组项目里，两个批次的样本明明处理流程一样，PCA 一画，嘿，分成了两坨，跟实验分组毫无关系。当时我以为是代码写错了，排查了三天……后来才知道，这就是经典的批次效应。

说白了，批次效应就是非生物学因素带来的系统性偏差。你想想看，同一种细胞，今天测和下周测，结果能完全一样吗？试剂批次、操作人员、仪器状态、甚至实验室温度，都会在数据里留下“指纹”。

批次效应，指的是来自不同实验批次的数据中，由非实验变量（如处理时间、试剂批号）引起的系统性差异。这些差异会掩盖真实的生物学信号，让后续分析——比如差异表达、聚类、分类——全部跑偏。

我在项目中遇到过最典型的场景：

关键观点：批次效应不是“数据噪声”，它是结构化的偏差。如果你不做校正，模型学到的可能只是“哪个批次测的”，而不是生物学规律。

批次效应的来源五花八门。我整理了一份清单，你看一眼就明白了：

这里面有些是显性的，比如试剂批号变了；有些是隐性的，比如上午测和下午测，仪器的激光强度可能就有细微漂移。嗯，这里要注意——批次效应不等于随机误差，它的特点是系统性、可重复的偏移。

实战提醒：我习惯在实验设计阶段就预留批次变量。哪怕你暂时觉得“我这实验不会有批次问题”，也请把批次信息记在样本注释里。未雨绸缪，比事后补坑轻松十倍。

如果不做批次校正，下游分析的结果可能整个就是笑话。我们分几个场景来看：

差异表达分析——本来没差异的基因，因为批次差异被误判为显著；真实差异反而被掩盖。我见过一个案例，校正前 DE 列表有 2000 个基因，校正后只剩下 200 个，那 1800 个全是批次假象。
聚类分析——样本会按批次聚在一起，而不是按生物学分组。你画个热图，色块边界刚好是批次边界，那基本就废了。
机器学习模型——模型学到的是批次差异。放到新批次的数据上，准确率直接崩盘。这就是所谓的“批次过拟合”。
整合分析——多个数据集合并时，如果不校正批次，数据根本无法对齐。单细胞整合就是典型——同一个细胞类型，因为测序批次不同，在 UMAP 上隔得老远。

我曾经踩过的坑：在一次多中心队列研究中，我直接合併了三个医院的芯片数据就跑差异分析，结果找出的“肿瘤标志物”全是医院间差异。后来同事提醒我，才意识到批次效应。老老实实重新走校正流程，花了整整一周，选错了方法又返工……所以我现在做任何整合项目，第一件事就是看批次变量。

为什么会这样？因为批次效应本质上违反了统计建模中“样本独立同分布”的假设。你想想，如果 A 批次的均值整体比 B 批次高 20%，那任何基于均值的检验都会产生系统性偏移。

为了让你对整个章节有个直观印象，我画了一张结构图，把批次效应的核心要素串了起来：

记住这个框架：批次效应是客观存在的实验产物，不是你的错。但如果不处理它，后果自负。

不是所有情况都要校正。我总结了三条判断标准：

如果批次和分组完全重合（比如第一批全是病例，第二批全是对照），那你基本没法用统计方法校正。这时候只能靠实验设计——把样本随机分配到各批次中。这是我在项目里反复强调的：实验设计永远比事后校正更重要。

一个小检查技巧：拿到数据后，先做 PCA 并按批次着色。如果前两个主成分能明显分开批次，那就铁了心需要校正。如果看不出明显分离，可以再结合批次内差异检验（比如 ComBat 的 batch 效应检测）确认。

好，我们捋一下重点：