第3节：批次效应产生的根源与影响
做空间转录组分析，尤其是Visium数据，你迟早会遇到一个绕不开的问题——批次效应。
我记得最开始接触这个领域时，总觉得“批次校正”是个可做可不做的步骤。直到有一次，我把同一个样本切成两张芯片跑，结果两张片子显示出来的基因表达模式完全对不上。一张说是“炎症区域高表达”，另一张说是“肿瘤核心区域高表达”。同一个组织啊，你说这结论能信吗？
从那时候起，我就养成了一个习惯：不管多好的实验设计，先检查批次效应。这一节，我就跟你聊聊批次效应到底是什么、从哪里来、又会对分析产生什么影响。
3.1 什么是批次效应？先不说理论，看个例子
假设你要比较两张Visium切片：一张是昨天跑的，一张是上个月跑的。你把两张图合并在一起做聚类，发现——聚类的结果不是按组织区域分开，而是按“切片生产的日期”分开。这就是典型的批次效应。
说白了，数据里的变异，不是生物变异，而是实验操作带来的噪音。
关于批次效应的核心认识
- 批次效应 ≠ 真实生物学差异
- 它让样本间的技术差异盖过生物差异
- 不校正的话，你分析出来的“发现”很可能是假的
为什么我会这么强调？因为我在一次项目里吃过这个亏。当时两个样本的聚类完全分开，我兴奋地以为发现了一个新亚群。结果仔细一看，那两个样本的试剂批号不一样。你说巧不巧？
3.2 批次效应是怎么产生的？我拆成三类讲
Visium数据的批次效应来源，其实很杂。我一般把它们分成三类：技术因素、操作因素、环境因素。下面这张SVG图可以帮你快速理解它们的层级关系：
三类因素，每类都能让你的数据“看起来像两套数据”。
3.3 具体拆解：哪些环节最容易引入批次效应
我列个表格给你看，这是我在十几个项目中总结出来的“高危环节”：
| 环节 | 具体因素 | 影响程度 | 典型案例 |
|---|---|---|---|
| 芯片生产 | 芯片批次、捕获探针效率 | 高 | 同一组织用不同批号芯片，检测基因数差20% |
| 组织透化 | 透化时间、温度、酶浓度 | 高 | 透化时间差2分钟，mRNA捕获效率差异显著 |
| 文库构建 | PCR循环数、酶体系版本 | 中 | 不同版本试剂盒，GC偏好不同 |
| 测序 | 测序仪型号、流动槽批次 | 中 | NovaSeq vs NextSeq，读数质量分布不一致 |
| 环境 | 实验室温湿度、试剂放置时间 | 中低 | 夏季和冬季的实验，RNA降解率不同 |
一个实用的记录习惯：我在做实验记录时，会专门建一个Excel，记下每次实验的芯片批号、试剂批号、操作人、透化时间、测序日期。别小看这个习惯，后面分析发现批次效应时你会感谢自己。
3.4 批次效应的具体影响：一句话总结就是“数据乱套了”
你想想看，如果两张切片因为技术原因被分成两群，你聚类时把它们硬合在一起，会怎么样？
- 聚类结果不可信：你分出来的cluster可能根本不是细胞类型，而是“批次标签”。
- 差异基因分析偏倚：你找到的marker基因，可能是因为批次之间的背景噪音差异造成的。
- 空间模式被扭曲：同一个组织区域的基因表达，在两批次里趋势可能相反。
- 统计效力下降：不校正的话，后续的所有统计检验都会受干扰。
我以前接手过一个项目，三张切片数据，两张来自同一个实验室，一张来自外送。合并之后做聚类，外送的那张独立成一群。团队里的人差点以为是发现了一个全新的细胞状态……结果只是批次差异。校正好之后再聚类，那些“特殊”的细胞群就消失了。
注意：不是所有差异都是批次效应
有时候，批次差异可能反映的是真实的生物学差异。比如同一种肿瘤，不同医院的手术样本，肿瘤微环境本身就不一样。判断是不是批次效应，需要结合实验设计：重复样本在不同批次中表现是否一致？有技术重复能帮你验证。我在实践中会先做PCA，看看第1-2主成分是不是按批次分类——如果是，基本就确定要校正了。
3.5 什么时候必须做批次校正？什么时候可以不做？
这个问题我经常被问到。我的回答很简单，分成四种情况：
| 场景 | 是否需要校正 | 原因 |
|---|---|---|
| 同一芯片、同一个实验流程 | 通常不需要 | 技术变异最小，批次效应不明显 |
| 相同流程、不同批次（如间隔一周） | 建议评估后决定 | 先做PCA/UMAP看是否聚类分开 |
| 不同实验人员、不同试剂批号 | 必须校正 | 变异来源明确，不校正结果不可信 |
| 跨平台数据（如Visium vs. slide-seq） | 必须校正 | 平台间差异远大于批次效应，是另一个量级的问题 |
个人的一条原则：只要数据来自不同批次，我都会至少跑一遍批次效应检测。多一步检查，比后面推倒重来要省事得多。我在一个项目里就因为没做这一步，多花了两个月的分析时间才发现是批次搞的鬼。