批次效应简介：你数据里的“隐形刺客”
做组学数据分析的人，早晚都会撞上批次效应。这不是什么高深概念，说白了就是——同一个实验，分成几批做，结果就长不一样了。
我最早被它坑过一回。那是好几年前，我在处理一批RNA-seq数据，两组样本明明处理一致，PCA一画却按送样日期聚成两团。我当时还在想是不是生物学差异……后来才发现，哦，是批次。从那以后，我再也不敢忽略这个“隐形刺客”了。
批次效应到底是个啥？
我们先看个直观例子。假设你想测两组小鼠的血糖，第一天测了对照组，第二天测了实验组。结果对照组平均5.2 mM，实验组平均5.6 mM。你大喜过望——咦，有差异？但第三天你把两组样本混在一起重新测一整天，发现平均值根本没差。
问题出在哪？试剂换了？温箱温湿度不同？操作手抖了一下？这些乱七八糟的因素加在一起，就叫批次效应。在组学数据里，批次效应可能来自芯片、测序仪、处理日期、甚至不同技术员的手。它会掩盖真实的生物学信号，也会制造假阳性。
核心认识：批次效应是系统性的非生物学变异，必须在校正或实验设计阶段控制。它不是噪音，是工具误差和操作误差的叠加产物。
为什么非得校正它？
你想想看，如果数据里藏着一个跟处理组完美相关的批次（比如处理组全在第一批，对照组全在第二批），你跑差异分析，得出来的显著基因很可能只是……那个批次带来的假象。
我见过一个项目，两组样本分别在两个不同的研究中心采集，主成分分析直接把两组分开——不是生物学差异，纯粹是检测平台不同。如果不校正，后续所有统计推断都是白搭。
反过来，如果批次效应很小或者随机分布，它未必致命。但现实是——高维组学数据对批次敏感极了。哪怕只差几个百分点的系统偏移，也能轻易把微弱但真实的生物学信号淹没。
避坑指南：千万不要为了“最大化样本量”而直接把来自不同批次的数据合并跑差异分析。我曾经这么干过一次，结果筛选出300个差异基因，验证实验只重复出来7个……血的教训。
批次效应的来源有哪些？
来源五花八门，我把它们归成四大类：
| 类别 | 典型例子 | 影响程度 |
|---|---|---|
| 试剂与耗材 | 不同批号的试剂、芯片、抗体 | 高 |
| 仪器设备 | 不同测序仪、不同PCR仪、不同离心机 | 高 |
| 操作人员 | 不同实验员提取RNA、建库 | 中 |
| 环境与时间 | 不同日期、不同温湿度、不同房间 | 中～高 |
你以为只要严格控制实验条件就能避开？太理想了。很多批次效应是事后才发现的，比如样本收集持续了半年、或者公共数据库整合不同研究的数据。这个时候，ComBat这类统计校正工具就派上用场了。
如何识别批次效应？
嗯，这里有个口诀：“一看PCA，二看热图，三看箱线。”具体来说：
- PCA/PCoA：按批次颜色标注，如果第一批和第二批样本各自聚成两团，且与生物学分组无关，那就基本实锤了。
- 层次聚类热图：看样本树状图是否优先按批次分支。
- 箱线图：挑一两个基因或探针，对每批次单独画分布——如果中位数、四分位距差异明显，小心了。
小经验：只要PCA前两个主成分的批次分离方向与生物学分组方向正交，ComBat通常能很好地校正。如果两者高度重合（比如批次完全与处理组一一对应），那校正就非常棘手，甚至单靠算法救不回来——需要实验设计层面去解决。
核心知识图：批次效应的全貌
下面这张图总结了批次效应的概念、来源、影响和应对思路，你可以把它当做这一章的导航。
重点提醒：ComBat不是万能药。它假设批次效应在不同基因间共享相同的均值和方差调整模式，且批次与生物学分组没有完全共线性。如果不满足这个假设，结果反而会被扭曲。所以，拿到数据后第一步永远是用至少两种可视化方法确认批次效应的存在和模式，再决定要不要校正、用哪种校正。
好了，这一章算是给大家铺了个底。批次效应是什么、为什么我们要重视它、它从哪来、怎么发现它——心里有数了吧？后面的章节，我会手把手带你用ComBat把它干掉。