2. 批次效应的三大“罪魁祸首”
嗨，各位。咱们上一章聊了批次效应是个什么“捣蛋鬼”。今天，咱们就来扒一扒，它到底是怎么混进来的。
你在单细胞数据分析里遇到的批次效应，基本逃不出三个来源：实验批次差异、测序平台差异和样本处理差异。搞清楚这些，你才能对症下药。
我自己改过不少“翻车”的项目，九成以上都能在这三个源头里找到根儿。咱们一个一个说。
2.1 实验批次差异：人力不可控因素
这是最常见，也是最头疼的来源。说白了，就是你今天做实验和明天做实验，结果就是不一样。哪怕你用同一个试剂盒、同一个protocol。
- 操作者差异：不同的人做细胞分离、建库，手劲儿、习惯都不一样。我见过一个项目，A同学做的样本细胞活率总是略低，导致基因检测灵敏度全面下降。
- 试剂批次不同：同样是10x Genomics的试剂盒，Lot number不一样，凝胶微球的效率就有细微差别。你想想看，连工业化标准品都这样。
- 实验室环境波动：温度、湿度，甚至当天空气质量，都会影响反转录效率。
- 时间跨度：你间隔半年采集的两批样本，实验室的仪器可能都重新校准过了。
核心影响：实验批次差异主要导致细胞捕获效率、基因检测灵敏度和整体表达量基线出现系统性偏移。这在t-SNE/UMAP上，就会表现为完全分开的“批次团”。
2.2 测序平台差异：不同“相机”拍出的照片
嗯，这里要注意。不同平台的物理原理不同，产生的数据天生就带着“平台指纹”。
这就好比你用单反相机和手机拍同一个场景，画质、色彩、噪点都不一样。你不能指望把两张照片直接扔进同一个文件夹就当没区别。
| 对比维度 | Illumina（主流平台） | MGI / BGI（华大平台） | 其他长读长平台（如PacBio） |
|---|---|---|---|
| 测序化学原理 | 可逆末端终止法 | DNA纳米球联合联合探针锚定 | 单分子实时测序 |
| 读长特性 | 双端150bp为主 | 双端100bp或150bp | 10-25kb长读长 |
| 碱基质量分布 | 前高后低，Q30通常在90%+ | 整体较均匀，Q30可能略低 | 单次通过精度低，需 |
| 标签跳跃率 | 较低（<1%）， | 相对较高（～5%）， | 极低 |
实战经验：我曾经一次项目中，硬要把Illumina NovaSeq和MGI T7的数据整合。如果不做平台特异性校正，UMAP上直接分出两个“大陆”，根本没法看。你猜怎么着？简单粗暴的标准化根本拉不回来，最后用了更复杂的线性矫正才勉强能用。
2.3 样本处理差异：从组织到单细胞悬液的“变形记”
这一步最容易被忽视。你想想，把一块固体组织变成单个细胞悬液，这个过程充满了“暴力”操作。
- 组织解离方案：使用不同的酶（胶原酶、胰蛋白酶）、不同的解离时间（30分钟 vs 60分钟），会选择性富集或者丢失某些细胞类型。比如，长时间的酶解容易损伤B细胞和T细胞，但髓系细胞可能扛得住。
- 细胞冻存 vs 新鲜样本：冻存复苏后的细胞，转录组本就会发生变化，应激基因（如HSP家族）会显著上调。最坑的是，这种上调是全局性的，不是某个细胞亚群特有的。
- 分选方式：流式分选（FACS）和微流控（10x）的分选压力差异，可能导致已知的应激/激活基因上调。这是一种典型的“制备诱导的人工产物”。
- 死细胞去除：死细胞比例高会污染背景RNA，导致基因检测结果失真。不同死细胞去除方法效率不同。
避坑指南：我曾经折腾过一个脑组织项目，就因为解离时间缩短了15分钟，导致少检出一类稀有的神经祖细胞。那可是核心发现啊！从那以后，我要求所有样本必须使用完全一致的解离试剂和时间表，并且要记录上机前的细胞活率。
2.4 一张图看懂批次效应的来源全貌
我把这三个层面的核心差异总结成一张流程图，你可以对照着理解它们是如何层层叠加，最终把数据搅成一锅粥的。
你看，这三个来源有一个共同点：它们都是系统性技术变异，而不是生物学上的真实差异。它们会叠加、会交互，最终在你的CellChat结果中，要么掩盖真实信号，要么制造出虚假的“细胞通讯”。
2.5 章节小结
今天我们把批次效应拆解得很细了。记住这几个核心来源，你就能在数据预处理阶段，有针对性地去排查和预防。很多初学者一上来就套算法，效果不好，其实就是没在源头上花心思。嗯，我是这么认为的。