2. 测序实验全流程中的批次来源
批次效应并不是在数据分析阶段才“突然出现”的，它从样本离开受试者身体的那一刻就已经开始积累。理解批次来源的关键，是把整条实验链路看成一条“信息与物质的传递链”：每一个环节都会向样本中注入一组可被后续测序读出的技术特征，而这些特征往往与生物学差异混杂在一起。本节按实验时间顺序，逐一拆解各环节的批次引入点，并说明它们最终会以什么形式体现在数据中。
一、样本采集：批次从“第一管血”开始
采集环节的批次变量常被低估，但它决定了后续所有环节的起点一致性。主要引入点包括：
- 采集时间与受试者状态：不同日期、不同时段采集的样本，其细胞组成、RNA 降解程度、代谢物背景都可能不同。若病例组集中在某一周采集、对照组集中在另一周，采集时间就与分组完全混杂。
- 采集耗材与抗凝剂：EDTA 管、肝素管、柠檬酸钠管对后续核酸提取和酶反应的影响不同；不同厂家、不同批次的采血管内壁涂层和抗凝剂浓度差异，会改变细胞裂解效率和 PCR 抑制物残留。
- 采集顺序与操作者：同一批样本中，先采集的样本在室温停留时间更长；不同护士或不同采血点的操作差异，会带来溶血程度、组织液混入等系统性差别。
- 采集部位与方式：外周血、组织活检、拭子、粪便等不同基质本身差异巨大，同一基质下不同取材部位也会引入组成差异。
采集环节的批次往往表现为“组间整体偏移”，例如病例组样本普遍 RNA 完整性偏低，导致后续文库的 3' 偏好性增强。这类效应很难在分析阶段完全校正，因此采集设计上应尽量做到随机化：让不同分组、不同采集时间、不同操作者在同一测序批次内均衡分布。
二、样本保存与运输：时间与温度的双重变量
样本离开人体后，保存条件成为主导因素。常见的批次引入点有：
- 保存温度与时长：室温、4℃、-20℃、-80℃、液氮，以及从采集到冻存之间的延迟时间，都会影响核酸完整性。例如 RNA 样本在室温放置超过 30 分钟，RIN 值可能明显下降。
- 冻融次数：反复冻融会加剧核酸断裂和蛋白变性，不同样本的冻融历史若不一致，就形成批次。
- 保存液与稳定剂：RNAlater、Trizol、专用保存管等不同保存介质，其保护机制和残留成分不同，会影响后续提取效率。
- 运输条件：干冰运输、冰袋运输、常温运输的样本，到达实验室时的实际温度曲线不同；运输途中温度波动本身就是一个批次变量。
保存环节的批次通常表现为“样本质量梯度”，在质控指标（如 RIN、DV200、260/280、260/230）上呈现与保存时长或温度相关的趋势。建议在样本登记时记录采集时间、冻存时间、冻融次数和运输温度记录，这些元数据是后续判断批次来源的重要依据。
三、核酸提取：试剂、方法与操作者的交汇点
提取是批次效应最密集的环节之一，因为它同时涉及试剂、耗材、仪器和人工操作。主要引入点包括：
- 提取试剂盒批次：裂解液、结合液、洗脱液的批次差异会改变得率和纯度；不同批次的硅胶膜或磁珠结合能力也可能不同。
- 提取方法：柱式提取、磁珠法、自动化提取仪与手工提取，其得率、片段长度分布和抑制物残留各不相同。即使同一方法，不同操作者之间的差异也不可忽略。
- 提取顺序与批次大小：一次提取 24 个样本和一次提取 96 个样本，试剂暴露时间、仪器运行状态不同；先提取的样本与后提取的样本之间可能存在系统性差异。
- 洗脱体积与洗脱方式：洗脱体积影响浓度，洗脱温度和时间影响得率，这些参数若在不同批次间调整，就会形成批次。
- 污染引入：气溶胶、交叉污染、试剂或环境中的外源核酸，会在低生物量样本中成为主导信号，表现为特定序列或物种的异常富集。
提取环节的批次常体现在浓度、纯度、片段分布和文库转化率上。一个实用的做法是：在同一提取批次内设置一个固定的对照样本（如标准化的细胞系 RNA 或已知浓度的参考品），通过对照的得率和质控指标来评估该批次的整体偏移。
四、文库构建：批次效应被“放大”的环节
文库构建把核酸转化为可测序的文库，涉及多步酶反应和纯化，任何一步的微小差异都会被 PCR 放大。主要引入点有：
- 建库试剂盒批次与版本：不同批次、不同版本的酶、缓冲液、接头和磁珠，其反应效率不同。
- PCR 循环数：循环数越多，重复序列、偏好性和指数扩增偏差越明显；不同样本使用不同循环数，会直接改变文库组成。
- 接头与 index 分配：index 序列本身可能影响扩增效率，index hopping 也会在 patterned flow cell 上引入交叉污染。index 分配若与分组相关，就会形成批次混杂。
- 磁珠纯化比例：不同比例的磁珠选择不同片段长度，比例调整会改变文库的插入片段分布。
- 操作者与时间：建库是手工密集环节，不同操作者、不同日期、不同批次的移液精度和操作节奏都会留下痕迹。
建库环节的批次通常表现为文库浓度、插入片段分布、GC 偏好性和重复率的变化。建议在同一建库批次内保持试剂批次、PCR 循环数和磁珠比例一致，并记录每个样本的 index 和建库日期。
五、测序芯片/流动池与试剂批次：仪器侧的批次
测序本身也会引入批次，尤其是当样本分布在不同芯片、不同流动池或不同测序试剂批次上时：
- 芯片/流动池批次：同一型号的不同流动池，其表面化学、孔密度和信号强度可能存在细微差异；不同流动池之间的簇密度和 Q30 比例不同。
- 测序试剂批次：测序试剂（如 SBS 试剂、缓冲液）的批次差异会影响碱基识别质量和信号衰减曲线。
- 测序仪与运行模式：不同测序仪、不同运行模式（读长、双端/单端）会带来系统性差异。
- Lane 与 index 布局：同一次运行中不同 lane 之间也可能存在差异；index 在不同 lane 上的分布若与分组相关，会引入混杂。
仪器侧批次常表现为 Q30、簇密度、错误率和 GC 偏差的差异。设计上应尽量让不同分组样本在同一流动池内均衡分布，避免“一组一池”的极端设计。
六、操作人员与实验室环境：难以量化但真实存在
操作人员、实验室环境、仪器维护状态等“软因素”同样构成批次：
- 操作者差异：移液手法、混匀力度、孵育时间控制、离心参数等，都会影响得率和重复性。
- 实验室环境：不同实验室、不同洁净度区域、不同批次的耗材，其背景核酸和抑制物水平不同。
- 仪器维护与校准：PCR 仪温度校准、离心机转速、测序仪维护状态，都会影响结果一致性。
这类批次难以用单一指标量化，但可以通过记录操作者、实验室、仪器编号和维护日期来追溯。在分析阶段，这些元数据可以作为协变量纳入模型。
七、批次引入点的整体关系
把上述环节放在一起，可以看到批次效应是沿实验链路逐级累积的：采集和保存决定样本质量起点，提取和建库放大技术差异，测序芯片和试剂批次叠加仪器侧偏移，操作者和环境贯穿始终。下面的 SVG 以“样本流”为主线，标出各环节的主要批次引入点及其典型可观测指标，帮助建立整体定位。
八、如何在实际项目中定位批次来源
面对一个已经出现批次效应的数据集，定位来源的基本思路是“先看元数据，再看质控指标，最后看数据分布”。具体可以按以下顺序排查：
- 整理元数据表：至少包含样本 ID、分组、采集日期、保存时长、冻融次数、提取日期与试剂批号、建库日期与试剂版本、index、测序流动池编号、lane、操作者。没有这些字段，后续排查会非常困难。
- 检查质控指标与元数据的关联：把 RIN、浓度、文库插入片段、Q30、簇密度等指标按采集日期、提取批次、流动池分组画箱线图，观察是否存在系统性趋势。
- 做主成分分析（PCA）并标注元数据：在表达矩阵或变异位点矩阵上做 PCA，用颜色标注提取批次、建库批次、流动池等，看哪一维与主成分相关性最强。
- 区分“批次混杂”与“批次可分离”：如果批次与分组完全混杂，任何校正都会同时移除生物学信号，此时应优先考虑重新设计或补充样本；如果批次与分组部分交叉，则可以在模型中同时纳入分组和批次协变量。
总结来看，测序实验的批次来源贯穿采集、保存、提取、建库、测序和人员环境六个层面。真正有效的控制策略不是依赖某一种校正算法，而是在设计阶段就通过随机化、对照样本和元数据记录，把批次与生物学分组尽量解耦。只有这样，后续的数据分析才有可靠的基础。