批次效应的可视化探索：用PCA、热图、UMAP做初步诊断

拿到表达矩阵后的第一件事是什么？

我个人习惯——不急着跑校正，先做可视化。

为什么？

因为数据有没有问题，眼睛一看就知道。批次效应再隐蔽，在降维图上也藏不住。你想想看，如果PCA或者UMAP图上一眼就看出来样本按批次分成几坨，那说明批次效应已经大到不能忽视了。

这一章，咱们就聊聊怎么用PCA、热图、UMAP这三种工具，给你的RNA-seq数据做一次"体检"。

1. PCA：最快的全局扫描仪

PCA（主成分分析）是我最常用的第一眼工具。它把高维表达数据压缩到前几个主成分里，然后按批次上色，一看便知。

说白了，PCA就是问一个问题：样本间最大的变异来源是什么？如果答案是"批次"，那你得小心了。

来段代码看看吧。以下是用 R 做的 PCA 可视化：

# 表达矩阵：基因×样本，已做标准化
expr_mat <- log2(expr_mat + 1)

# PCA计算
pca_res <- prcomp(t(expr_mat), scale. = TRUE, center = TRUE)
pca_df <- data.frame(
  PC1 = pca_res$x[, 1],
  PC2 = pca_res$x[, 2],
  batch = batch_info,
  condition = condition_info
)

# 计算解释方差比例
var_exp <- round(100 * summary(pca_res)$importance[2, 1:2], 1)

# 绘图
library(ggplot2)
ggplot(pca_df, aes(PC1, PC2, color = batch, shape = condition)) +
  geom_point(size = 3.5, alpha = 0.8) +
  xlab(paste0("PC1 (", var_exp[1], "%)")) +
  ylab(paste0("PC2 (", var_exp[2], "%)")) +
  theme_bw(base_size = 14) +
  ggtitle("PCA 按批次着色")

我记得有一次做TCGA数据整合，PC1直接分成了两个批次，PC2才是真实的肿瘤vs正常差异。那会儿我就意识到——批次效应不查不行。

另外，别只看PC1和PC2。有时候批次效应会藏在PC3或PC4里。我建议至少看到PC4：

# 快速扫前4个主成分
pca_df_pc34 <- data.frame(
  PC3 = pca_res$x[, 3],
  PC4 = pca_res$x[, 4],
  batch = batch_info
)

ggplot(pca_df_pc34, aes(PC3, PC4, color = batch)) +
  geom_point(size = 3) +
  theme_bw()

2. 热图：样本间相似性的"红外照片"

PCA看的是全局变异方向，而热图看的是样本间的成对相似性。说白了，它回答的是：哪些样本"长得像"？

我一般用样本间表达相关性来做热图，再配上批次注释条，非常直观。

library(pheatmap)
library(RColorBrewer)

# 计算样本间Pearson相关
cor_mat <- cor(expr_mat, method = "pearson")

# 准备注释信息
anno_df <- data.frame(
  Batch = batch_info,
  Condition = condition_info,
  row.names = colnames(expr_mat)
)

# 自定义颜色
anno_colors <- list(
  Batch = c("Batch1" = "#E41A1C", "Batch2" = "#377EB8", "Batch3" = "#4DAF4A"),
  Condition = c("Control" = "#FF7F00", "Treatment" = "#984EA3")
)

# 画热图
pheatmap(cor_mat,
         annotation_col = anno_df,
         annotation_colors = anno_colors,
         clustering_method = "ward.D2",
         show_rownames = FALSE,
         show_colnames = TRUE,
         main = "样本间相关性热图",
         color = colorRampPalette(rev(brewer.pal(9, "RdBu")))(100),
         fontsize_row = 8)

看热图的时候，我关注两个点：

• 树状图的分簇结构——如果样本先按批次分成几大簇，再按生物学条件分，那批次效应很明显。
• 颜色块的模式——批次内部的颜色是否明显比批次间更"红"（相关性更高）。

3. UMAP：局部结构的放大镜

PCA擅长抓全局，但它有个弱点——批次效应如果只影响局部基因模块，PCA可能看不出来。这时候就该UMAP上场了。

UMAP的核心思路是保留样本间的"近邻关系"，它对局部结构更敏感。说白了，PCA看"大方向"，UMAP看"小细节"。

library(umap)

# UMAP降维
umap_config <- umap.defaults
umap_config$n_neighbors <- 15    # 控制局部vs全局的平衡
umap_config$min_dist <- 0.1      # 控制点的聚集程度

umap_res <- umap(t(expr_mat), config = umap_config)
umap_df <- data.frame(
  UMAP1 = umap_res$layout[, 1],
  UMAP2 = umap_res$layout[, 2],
  batch = batch_info,
  condition = condition_info
)

# 绘图
ggplot(umap_df, aes(UMAP1, UMAP2, color = batch, shape = condition)) +
  geom_point(size = 3, alpha = 0.8) +
  theme_bw(base_size = 14) +
  ggtitle("UMAP 按批次着色")

我曾经有一个项目，PCA做出来看起来还行——PC1是生物学分组，PC2有点乱但不太明显。结果UMAP一跑，同一条件下的样本被批次分成了两堆。那叫一个原形毕露。

4. 三种方法怎么选？

来，我帮你总结一下。下面这个表格，我每次做项目都会对照着看一遍：

方法	核心目的	最适合的场景	关键警示信号
PCA	检测全局最大变异方向	初步快速筛查，尤其样本量大时	PC1/PC2 按批次分离，解释方差 > 20%
热图	检查样本间整体相似性	中等样本量，需要直观展示聚类结构	树状图先按批次分簇，而非按条件
UMAP	保留局部结构的精细降维	PCA结果不明确，或批次效应可能较微弱	同条件样本被批次重新分堆

5. 综合诊断：你的数据到底有没有批次效应？

做完三种可视化，该怎么汇总判断？我个人习惯按下面几步走：

1. 先看PCA——前4个主成分有没有按批次分离？有的话，批次效应大概率存在。
2. 再看热图——树状图的第一层分支是按批次还是按条件？如果是批次，说明批次效应很强。
3. 最后看UMAP——有没有PCA没发现的局部批次结构？特别关注同一条件下的样本是否跨批次混在一起。
4. 交叉对比——至少两种方法指向同一结论，才算确认。

如果三种方法都指向"存在明显批次效应"，那就别犹豫了，接着看下一章怎么校正。如果只有一种方法有信号，其他两种正常，那批次效应可能比较弱，可以再深入检查一下。