1. 批次效应概述：先搞懂对手是谁
说实话，我做了这么多年生物信息，最怕的不是数据量太大，也不是算法太复杂，而是数据里藏着看不见的「坑」。批次效应，就是最大、最隐蔽的那个坑。
你想想看，如果两批 RNA-seq 数据，一批是春天做的，一批是秋天做的，试剂批号不同，操作员换了个人。然后你直接跑差异分析，找到几千个显著基因。这时候你敢信吗？反正我不敢。我刚入行时就被这么坑过一次——春、秋两季的同一批样本，居然筛出了大量跟免疫相关的显著基因。后来才发现，那根本是实验室空调故障导致的温度波动，跟生物学变异一点关系都没有。
1.1 什么是批次效应？
说白了，批次效应就是：非生物因素引起的系统性数据变异。它不属于我们关心的生物学差异，却会严重干扰统计推断。
举一个最直观的例子：
- 假设你在星期一做了 3 个肿瘤样本，星期三做了 3 个对照样本。
- 结果 PCA 一看，肿瘤和对照没分开，反而是周一 vs 周三分得清清楚楚。
- 这就糟糕了——你以为是发现了某种新的肿瘤亚型，其实是批次效应在作怪。
核心识别指标：在 PCA 或 t-SNE 图上，如果样本按批次聚类，而不是按生物学组别聚类，那就基本坐实了批次效应。
1.2 批次效应的来源与影响
批次效应从哪来？太多了。我曾经在项目中列过一个清单，几乎每个环节都是雷区：
| 来源类别 | 具体因素 | 常见的表现 |
|---|---|---|
| 实验操作 | 操作员更换、提取试剂批号不同、移液器校准偏差 | 相同样本在不同批次间的表达量整体漂移 |
| 仪器环境 | 测序仪型号不同、芯片批号差异、实验室温度/湿度变化 | 特定基因集合系统性偏高或偏低 |
| 时间跨度 | 样本采集日期、RNA 提取时间、杂交/测序周期不一致 | 批次与时间高度相关，难以区分 |
| 试剂耗材 | 供应商变更、试剂效期差异、批次间质量波动 | 某些检测指标出现阶梯状变化 |
| 人为因素 | 记录错误、样本标签混淆、自动化流程的参数微调 | 个别样本出现异常模式 |
影响有多严重？我来讲一个真实经历：一次多中心队列研究，三个医院分别提供了 20 个病例样本。数据合并后，我一做差异分析，每个医院都跑出一套「显著基因」。你猜怎么着？这些基因大部分是线粒体基因和核糖体蛋白基因——妥妥的批次效应，根本跟疾病无关。如果那时候我把结果发了文章，后果不堪设想。
所以记住：批次效应会同时影响假阳性率和假阴性率，它不会让你「发现不了」，而是让你「发现错误的东西」。
1.3 常见批次效应消除方法比较
既然问题这么严重，学界当然也有应对方案。这些年我用过的工具不下十种，但对初学者来说，掌握下面这几种就够了。
| 方法 | 核心原理 | 优势 | 局限 |
|---|---|---|---|
| ComBat | 基于经验贝叶斯，估计并移除批次均值和方差偏移 | 对样本量小的批次很稳健；处理多批次效果好 | 假设批次效应服从正态分布；对极端批次敏感 |
| limma | 线性建模，包含批次因子作为协变量 | 简单易用，计算快 | 假设批次效应是加性且可预测的；处理非线性批次效果差 |
| MNN Correct | 利用互近邻配对识别并校正批次间的细胞匹配对 | 适用于单细胞数据，保留生物异质性好 | 计算量大；对配对数有依赖 |
| Harmony | 基于软聚类和迭代混合实现批次对齐 | 速度快，适合大规模单细胞数据 | 结果受初始聚类影响；需要调整参数 |
| Scanorama | 全景拼接法，利用奇异值分解和泛化拼接整合批次 | 可整合较大规模单细胞数据，缺失值鲁棒 | 内存消耗大；对数据质量要求高 |
| 回归残差法 | 将批次作为协变量回归，取残差作为校正后数据 | 实现简单，理解直观 | 可能过度校正；丢失与批次相关的生物学信号 |
你可能会问：「那我该选哪个？」
我的建议是：先看数据类型。只要是芯片或测序的批量归一化，无脑试 ComBat。我在 TCGA、GEO、ArrayExpress 中几乎每套数据都用它校正过，最稳。如果是单细胞类数据，可以考虑 MNN 或 Harmony。但如果你只有两三个批次、样本量也不大，找个周末学个 ComBat 就够了。
图里这个流程，是我每次做批次校正都会跑的路线。先探索，再判断，然后选方法、校正、验证。你千万别跳过探索这一步，直接就跑 ComBat。我曾经在 TCGA 项目里，直接跑 ComBat，结果把一批真实的激素治疗效应也抹掉了。所以图里的「判断是否存在批次效应」分支，是整个流程最容易被忽略但最关键的一步。
1.4 小结与纠偏
最后说两句心里话。很多人以为批次效应的消除就是一劳永逸的事情——跑个函数，得到新数据，万事大吉。但说实话，校正本身就带有主观判断。你选择了什么模型、是否调整了参数、有没有分生物学变量去保护，这些都会影响最终结果。
别怕，随着课程推进，我会一步步带你把每个细节都看清楚。但今天这一章，你只要记住三个核心点：
- 批次效应是真实存在的，而且远比你想的普遍。
- 它的来源极其多样，从试剂到操作员再到温度，什么东西都能掺一脚。
- ComBat 是目前最综合、最稳定的实战方案之一，但也需要你懂它才能用好它。