贝叶斯框架、位置与尺度参数调整、经验贝叶斯估计

很多朋友一上来就调 ComBat 函数，把 mod、batch 一堆参数填好，跑完拿到校正数据就觉得万事大吉。说实话，我当年也干过这事儿。结果有一次在 RNA-seq 数据上，样本量特别小，批次又特别乱，校正后的数据反而出现了奇怪的负值，后来才意识到：**不懂原理，出坑都不知道怎么爬**。

所以这一章，咱不急着写代码，先把这个校正的“脑子里那根弦”捋清楚。你只要能理解三个核心概念——贝叶斯框架、位置与尺度参数、经验贝叶斯——后面所有实战都会豁然开朗。

2.1 贝叶斯框架：让数据“互相借力”

ComBat 的核心思路，说白了就是：

**同一个基因在不同批次里，应该服从相似的分布，只是均值和方差被批次“扭曲”了。**

那怎么估计这些扭曲呢？传统方法就是每个批次单独算均值和方差——但遇到样本少的批次，估计就特别不准，甚至离谱。

这时候贝叶斯就把所有批次“拉在一起”看。它假设每个批次的调整参数（位置和尺度）都来自一个共同的分布——**先验分布**。然后拿每个批次自己的数据去“修正”这个先验，得到**后验分布**。

我记得有一次做代谢组学，一共5个批次，其中一个批次只有2个样本，传统方法算出的均值直接飞了。用ComBat的贝叶斯框架后，那个批次的参数被其他批次“拉”回了合理范围。这就是先验的力量。

2.2 位置与尺度参数调整

校正是两个动作的组合：

• 位置参数（location）：矫正批次间的均值漂移。直观理解就是“加或减一个常数”。
• 尺度参数（scale）：矫正批次间的方差差异。相当于乘一个缩放因子。

你想想看，如果两个批次均值差2个log2，但方差一模一样，那只需要平移；如果方差也不一样，就得先缩放再平移。ComBat就是把这两个参数分开估计。

参数类型	对应统计量	校正作用	举例（假设）
位置参数 γ	批次均值漂移	平移整个批次的表达水平	第2批基因A比第1批平均高2 → 减去2
尺度参数 δ²	批次方差缩放	压缩或拉伸分布宽度	第3批变异度是参考批次的1.5倍 → 除以1.5

2.3 经验贝叶斯估计：参数从数据中来

说到“贝叶斯”，你可能觉得要用非得事先知道一个先验分布？其实不用。

经验贝叶斯的操作方式很巧妙：它先用所有批次的数据，估计出先验分布的参数（比如超参数：先验均值、先验方差），然后再跑常规的贝叶斯更新。

说白了就是：先拿数据本身“拟合”出一个先验，再用这个先验去约束每个批次的估计。这就是“经验”二字的意思——先验不是拍脑门定的，而是从数据中学来的。

ComBat 里具体的数学过程大致是这样（以位置参数 γ 为例）：

假设：γ_batch ~ N(μ_γ, σ_γ²)        # 先验：所有批次的位置参数服从同一个正态分布
然后：数据给出似然：X_batch | γ_batch ~ N(γ_batch, σ²_within)
后验：γ_batch | X_batch ~ N( (μ_γ/σ_γ² + 样本均值/σ²_within) / (1/σ_γ² + n/σ²_within) , ... )

注意这里的 μ_γ 和 σ_γ² 并不是固定死的——经验贝叶斯会从观测数据中估计它们（通常用矩估计或EM算法）。

我用 R 的 sva::ComBat 跑过很多项目，默认用的就是参数化先验（par.prior=TRUE）。但有一次在看 Alzheimer 的芯片数据时，遇到一个批次只有1个样本——那个批次全靠别的批次“撑”着。经验贝叶斯虽然能缓解，但校正效果肯定不如多样本批次好。**这提醒我们：数据质量永远比方法更重要。**

2.4 小结：从一个公式看“经验”的价值

你可能注意到了，后验均值的公式本质上是一个**加权平均**：

后验均值 = (先验均值权重 + 数据均值权重) / (总权重)

当批次样本数 n 很小时，数据均值权重小，估计更偏向**先验均值**（即其他批次的平均水平）。当 n 很大时，数据权重占主导，估计几乎等于本批次均值。这个自动调节的能力，正是ComBat稳健性的根源。

嗯，这一章的原理就这些。理解了这个框架，后面实战中调参、解读结果都会特别顺。千万别把ComBat当黑盒——你知道了它“在干啥”，就能判断它“干得对不对”。