ComBat 的假设条件和适用场景
ComBat 不是万能的，它有自己的一套脾气。说白了，如果你想用它来消除批次效应，就得先搞清楚它背后藏了哪些隐含假设。一旦这些假设不成立，校正结果就可能“翻车”。这一节我就带你仔细盘一盘 ComBat 的底层逻辑，以及到底哪些数据能用、哪些场景千万别碰。
核心假设：位置-尺度模型
ComBat 的核心思想，就是假设批次效应可以拆成两部分：一个是整体均值的偏移（位置效应），另一个是整个分布的拉伸或压缩（尺度效应）。用数学语言说，每个基因在不同批次下的表达式可以写成：
Y_{ijg} = α_g + β_g X_{ij} + γ_{ig} + δ_{ig} ε_{ijg}这里 γ 负责调整均值，δ 负责调整方差。模型假设每个批次内部所有样本共享一组γ和δ，而且这些效应是加在同一个基因表达的真实信号之上的。
我个人觉得，这个模型对大多数基因表达数据是合理的。但有一个坑你必须注意：它假设批次效应只影响位置和尺度，不会改变基因之间的相关性结构。我在一个多中心 RNA-seq 项目中遇到过，如果不同批次用的测序平台不一样（比如 Illumina HiSeq vs. NovaSeq），数据里的基因共表达模式都可能变了，这时单纯用位置-尺度模型就不够用了。
关键假设小结：
- 批次效应与生物学变量（如疾病状态、处理条件）相互独立
- 批次内所有基因的效应可以用同一组γ/δ参数描述
- 批次效应在基因间是可加的，不考虑交互作用
- 每批次至少有2个样本，最好多于5个
适用数据类型：哪些数据能用
ComBat 最初是为微阵列芯片设计的，后来大家发现它对 RNA-seq 的 log-CPM 或 RPKM 格式也挺好使。但要注意，如果你拿原始 Count 矩阵直接跑，结果会很奇怪——因为计数分布不符合正态假定。
我建议，在使用 ComBat 之前，务必先把数据转换到正态或近似正态的尺度上。具体来说：
| 数据类型 | 推荐的预处理 | ComBat 表现 | 我的经验 |
|---|---|---|---|
| 微阵列芯片 (Affymetrix, Agilent) | RMA / quantile normalization 后的 log2 强度 | 极好 | 我用过多次，稳定可靠 |
| RNA-seq (counts) | log-CPM 或 vst 或 rlog (DESeq2) | 良好 | 注意全零基因要提前去除 |
| 单细胞 RNA-seq | 先归一化到 ln(CPM+1) 或 scran 校正 | 中等，需谨慎 | 若批次内细胞数太少，容易过校正 |
| 甲基化芯片 (450K, EPIC) | dasen / funnorm 后的 beta 值 | 良好 | 我处理过 TCGA 甲基化数据，效果不错 |
| 蛋白质组学 (TMT, LFQ) | log2 强度，缺失值先填充 | 中等 | 注意批次内技术重复是否足够 |
小技巧：如果你的数据是非负实数（比如质谱峰面积），可以先做 log2(x+1) 变换再跑 ComBat。我习惯用 log2(x+1)，因为零值不会丢失。
什么时候不能用？避坑指南
ComBat 不是银弹。有些场景用了反而帮倒忙。我踩过不少坑，今天一并告诉你。
场景一：生物学因素与批次完全混杂。 比如，所有病例样本都在第一批处理，所有对照都在第二批。ComBat 会把病例和对照之间的真实差异当做批次效应给校正掉。我当时在一个项目里就犯了这个错，结果校正后两组样本完全重叠了，差点得出“没有差异表达”的结论。
场景二：每个批次样本太少。 ComBat 需要通过经验贝叶斯来估计每个基因的批次参数。如果某批次只有1个样本，那方差根本没法估计。我建议每批次至少5个样本，实在不行至少也要2个，而且有多个批次来共享信息。
场景三：表达矩阵有大量零值。 尤其是单细胞数据，dropout 太多。ComBat 假设数据是连续正态分布，大量的零点会破坏这个假设。我曾经试过强行用 ComBat 校正单细胞数据，结果校正后很多负值，毫无意义。
场景四：批次内包含不同亚型。 比如一个批次里既有肿瘤组织又有正常组织，而且它们在批次内的比例与生物学设计不同。这时模型可能把组织类型差异也归为批次效应，导致假阴性。
# 这是一个典型的错误用法示例（不要模仿）
library(sva)
# 假设 batch 列的组别与 treatment 完全对应
corrected <- ComBat(dat = expr, batch = batch, mod = NULL)
# mod=NULL 意味着没有包含任何生物学协变量，危险！⚠️ 强烈建议：把已知的生物学变量（如疾病状态、性别、年龄）作为协变量传入 mod 参数，否则 ComBat 可能过度校正。
一张图总结核心逻辑
下面这张 SVG 图把 ComBat 的假设、适用类型、禁忌场景串起来了，方便你一眼看清整个知识框架。你把它当成一张检查清单就好。
关于协变量的几点补充
ComBat 允许你传入一个 mod 矩阵来表示你想保留的生物学变量。我个人强烈建议你把分组、年龄、性别这些东西都放进去。这能告诉 ComBat：“这些差异是真实的，你不能动它们”。
举个例子，如果你有一个肿瘤 vs 正常的研究，那么 mod 里必须有一列是 tumor/normal。否则 ComBat 可能会把肿瘤和正常之间的差异也当做批次效应给抹平——这在我入行第五年的时候吃过一次大亏，教训深刻。
# 正确的用法：传入协变量
library(sva)
mod <- model.matrix(~ group, data = pheno) # group 是肿瘤/正常
corrected <- ComBat(dat = expr, batch = batch, mod = mod)还有一个容易被忽略的点：防止过拟合。如果你传入的协变量跟 batch 几乎完全相关，比如 batch1 全是男性、batch2 全是女性，那么 ComBat 就无法区分性别效应和批次效应。这时你应该考虑放弃 ComBat，或者换用 limma 的 removeBatchEffect 加上 blocking 策略。
复杂实验设计：多因素批次
有些实验不止一个批次来源，比如测序日期不同、建库人员不同、试剂批号不同。ComBat 的原始版本只能处理一维批次变量。别担心，现在有 ComBat_seq (sva 包的扩展) 或者 neuroCombat 支持多批次联合校正。我建议你把多个批次变量合并成一个新变量，或者使用 ComBat 的 mod 参数把额外的批次作为协变量放入。
到底该合并还是加协变量？我的经验是：如果你有明确的层级关系（比如“中心-日期-机位”），合并成单一批次变量效果更直接。如果多个批次彼此独立且没有层次，那么主批次用 batch 参数，其余用 mod 传入会更稳健。
# 多批次时的典型陷阱
# 错误：只用一个batch变量，忽略其他批次
corrected <- ComBat(dat = expr, batch = center)
# 较好：把日期作为协变量
mod <- model.matrix(~ date, data = pheno)
corrected <- ComBat(dat = expr, batch = center, mod = mod)
# 更好：合并成一维批次 (center_date)
pheno$new_batch <- paste0(pheno$center, "_", pheno$date)
corrected <- ComBat(dat = expr, batch = pheno$new_batch)最后啰嗦一句：运行 ComBat 之前，一定要检查数据分布。如果看到类似“负的表达量”或者“方差为零的基因”，赶紧处理掉。我习惯在第一行就加个 expr <- expr[rowSums(expr > 0) > 0, ] 把全零行先干掉，省得后面报错。