第1章：批次效应概述

做组学数据分析这么多年，我踩过的第一个大坑就是批次效应。说白了，就是你明明想看生物差异，结果数据一画出来，样品全按实验操作日期分成了几团。嗯，这种情况在单细胞RNA-seq、蛋白质组甚至芯片数据里太常见了。今天我们就聊聊批次效应到底是什么、从哪来、怎么用可视化把它揪出来。

1.1 什么是批次效应

我比较喜欢用一个朴素的定义：样本来源相同，但因为处理时间、试剂批号或操作人员不同而导致的系统性差异。这种差异跟基因表达、蛋白质丰度这类生物学变量正交，却常常比真实信号还强。

举个例子。我曾经跟一个合作团队分析两个批次的肿瘤样本。测序时间相差两个月，平台都是同一个型号。用PCA一画，第一批和第二批的样本完全分开，而同一批次里的肿瘤和正常组织反而混在一起。你说这是不是坑？后来反复排查，发现第一批用的试剂盒换了新批号，关键酶活性有细微变化。

批次效应有三个典型特征：

• 系统性：同一批次的样本受到相同的影响，表现出相似的偏移。
• 非生物学：与基因功能、疾病状态无关，纯粹是实验过程引入。
• 可检测性：通过降维可视化（如PCA、UMAP）能直观看到批次聚集模式。

1.2 批次效应的来源与影响

咱们来细数一下这些“捣乱分子”。根据我的项目经验，最常遇到的来源有这么几种：

来源	具体示例	我亲身经历的教训
试剂批号变化	反转录酶、抗体、染料不同批次	曾经因为一个批次的荧光染料衰减，导致两个批次的细胞计数相差30%
仪器漂移	测序仪激光强度、温度传感器偏差	一台用了两年的流式细胞仪，基线校准没做好，结果全偏了
操作人员差异	不同人做文库构建、离心时间差异	两个实习生用同一台机器操作，一个样品吹打次数多，一个少——最后数据判若两组
环境因素	室温、湿度、振动	夏天实验室空调坏了半天，那批样本的降解率飙升

这些来源会造成什么后果？我们用一个表来看：

影响	说明
掩盖真实差异	批次效应强时，肿瘤 vs 正常的差异被批次差异覆盖，完全看不到生物学信号
制造虚假关联	如果实验组和对照组在不同批次，你会误以为批次差异是生物学差异
降低统计检验效力	假设方差分析时，批次作为随机变量，会吃掉大量自由度，p值变高
模型泛化失败	用一批数据训练的模型应用到新批次时，准确率断崖式下降

1.3 可视化在批次效应检测中的作用

检测批次效应最直觉的方法就是可视化。你不需要跑复杂的假设检验，只需要把高维数据投影到二维或三维，然后用颜色标注各个批次。如果不同批次明显分开，那大概率存在批次效应。

目前最常用的两类技术是PCA（主成分分析）和UMAP（统一流形逼近与投影）。我个人的习惯：先跑PCA，再用UMAP做精细观察。为什么？

• PCA是线性方法：它找到方差最大的方向。如果批次效应占主导，前两个主成分上就能看到明显的批次簇。
• UMAP能捕捉非线性结构：当批次效应不是简单的线性偏移时（比如不同批次在某个子空间扭曲），PCA可能看不出，但UMAP能揭示。

让我举个实际代码例子。假设你有一个基因表达矩阵，行是基因，列是样本，批次信息在meta数据里：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
import seaborn as sns

# 加载数据
expr = pd.read_csv('expression_matrix.csv', index_col=0)
meta = pd.read_csv('metadata.csv')
batch_col = meta['batch']

# PCA降维
pca = PCA(n_components=2)
pcs = pca.fit_transform(expr.T)  # 转置后样本为行
pca_df = pd.DataFrame(pcs, columns=['PC1', 'PC2'])
pca_df['batch'] = batch_col

# 可视化
plt.figure(figsize=(8,6))
sns.scatterplot(data=pca_df, x='PC1', y='PC2', hue='batch', palette='Set1')
plt.title('PCA of samples colored by batch')
plt.show()

如果看到图上不同颜色明显聚类，那就得警惕了。比如下面这张示意图中的情况——虽然我们不用真实图片，但我可以给你一个流程图表达这个检测逻辑。

为了帮你系统地理解本章知识，我用一张SVG框架图把整个检测流程串起来：

这个流程里，我把所有步骤串联起来了。你看，原始数据进来先降维，然后按批次画散点图，用眼睛判断——如果不同批次混在一起，说明好消息；如果各批次自立山头，你就得准备校正了。

说到底，可视化检测批次效应这件事，本质上就是“肉眼统计分析”。你的眼睛能在二维图上捕捉到聚类模式，这对后续选择校正方法至关重要。我们后面章节会详细讲怎么用PCA和UMAP做更精细的定量判断，但第一步永远都是：画出来，看看颜色。