RNA-seq批次效应处理排查指南 - 第2节

批次效应在RNA-seq中的表现：技术重复与生物学重复的区别

聊批次效应之前，我们得先搞清楚一个基础概念——重复实验。很多新手拿到RNA-seq数据后，第一反应就是看差异基因列表。但实际项目中，我见过不少人把技术重复当生物学重复用，结果找出来的差异基因根本没法验证。

技术重复和生物学重复，说白了，就是两个完全不同的东西。

技术重复：同一份样本测两次

技术重复，指的是把同一份RNA样本分成两份，各自独立建库、上机测序。它的意义在于评估实验操作和测序平台的稳定性。比如你提取了一管细胞的总RNA，分装成两管分别建库，这两份数据就是技术重复。

在我早期做的一个项目中，我们为了验证建库流程的稳定性，做了三份技术重复。结果发现其中一个文库的GC含量明显偏离，排查后发现是建库过程中磁珠清洗步骤出了偏差。你看，技术重复的价值就在这里——帮你揪出实验流程中的问题。

生物学重复：不同个体或样本

生物学重复就完全不同了。它指的是从不同的生物个体、不同的培养批次、或者不同的组织样本中提取RNA进行测序。比如你研究药物处理对小鼠肝脏的影响，处理组用了3只小鼠、对照组用了3只，每只小鼠独立建库测序，这些样本之间就是生物学重复。

生物学重复之间的差异，包含了真实的生物学变异——包括个体差异、环境波动、以及你真正关心的处理效应。真正做过大项目的都知道，生物学重复的数量直接决定了统计检验的可靠度。我一般建议至少3个，能搞到5个以上最好。

批次效应如何混淆真实生物学差异

搞清楚两种重复的区别后，我们再来看批次效应。它的破坏力有多大？嗯，说实话，它能把你精心设计的实验完全搞砸。

批次效应的本质，是非生物学因素引入的系统性偏移。比如你周一做了对照组，周五做了处理组；或者对照组的建库试剂盒批号和处理组不同。这些技术性差异会叠加到基因表达数据上，让原本不相关的样本看起来相似，或者让真实的差异被掩盖。

一个我踩过的坑

我记得有一次批量处理120个肿瘤样本的RNA-seq数据。拿到表达矩阵后我随手做了个PCA图，结果发现样本根本不是在按肿瘤分型聚类，而是按照送样日期分成了三大坨，每坨对应一个批次。当时我冷汗就下来了——如果直接去做差异分析，找出来的差异基因大概率是假阳性，跟生物学问题八竿子打不着。

为什么会这样？说白了，就是每个批次的实验条件不完全一致。哪怕是同一个实验室、同一套试剂盒，不同批次的测序深度、反转录效率、甚至室温湿度都会有细微差异。这些差异在单个基因上可能不明显，但累加到成千上万个基因上，就能在PCA里形成明显的批次簇。

批次效应在PCA中的典型信号

我总结了几个批次效应的视觉特征，你可以在实际数据中对照看看：

1. 主成分PC1或PC2上出现明显分簇，而这个分簇跟你的实验分组毫无关系。
2. 样本在低维空间中的距离，更多的由批次标签解释，而非由处理条件解释。
3. 同一生物学组内的样本，跨批次时表现出反常的离散度。
4. 热图或层次聚类树中，样本首先按批次聚在一起，然后才按处理条件分组。

当然，不是说看到PCA分簇就一定是批次效应。但如果你发现分簇跟你记录的实验批次高度一致，那基本坐实了。

从数据量级上看批次效应

我习惯用差异表达基因的数量来做一个快速判断。假设你有一个处理组和一个对照组，理论上应该找到几十到几百个差异基因。但如果你的差异基因数量飙到了好几千个，或者几乎所有的基因都显著差异——嗯，这大概率是批次效应捣的鬼，不是真实的生物学信号。

举个例子，我处理过一个公开数据集：同一个实验室发表的两次独立RNA-seq实验，研究的是同一种疾病模型。合并分析后，我发现不同批次之间相同处理条件的样本，其差异基因数量，竟然比同一批次内不同处理条件的差异还多。这显然就是批次效应在混淆视听。

最后，我们来看一个直观的结构图，把上面这些关系串起来：

你想想看，如果批次效应没有处理好，你的差异表达分析就是在两个不同的实验条件下比较，而不是在两个生物学状态下比较。结果怎么可能可靠？