4. 批次效应与污染的早期预警指标
批次效应和污染一旦进入数据，往往在差异表达或变异检测阶段才暴露，此时返工成本极高。真正有效的策略是在测序数据产生后的第一时间，用一组固定的质控指标做“哨兵”，在样本还来得及重做、数据还来得及剔除时发出预警。本节聚焦六类早期预警指标：阴性对照、空白对照、重复样本、内参、复杂度指标、比对率与污染比例，并说明每类指标的异常信号长什么样、如何判读。
一、对照样本：最直接的污染探针
阴性对照（NTC，无模板对照）和空白对照（如仅含缓冲液的文库空白）是污染检测的第一道防线。它们的预期结果是“几乎无信号”：NTC 在 qPCR 中应无扩增或 Ct 值晚于 38；建库空白对照在测序后应只有极低 reads 数（例如 < 1000 reads），且不出现任何样本特有的变异位点或物种序列。
异常信号包括：
- NTC 出现明显扩增曲线，Ct 值落在 30～35 之间，提示试剂或环境存在模板气溶胶污染；
- 空白对照测序 reads 数异常升高（如 > 1 万 reads），且比对到目标物种基因组；
- 空白对照中检出与某实验样本高度一致的变异或 SNP 指纹，说明该样本的核酸气溶胶已扩散到对照孔。
判读要点：对照的异常不是“有 reads 就报警”，而是要看 reads 的组成。若空白对照的 reads 主要比对到常见环境菌或接头序列，多为试剂背景；若比对到目标物种且覆盖度呈非随机分布，则更可能是样本间交叉污染。
二、重复样本：批次效应的“内部标尺”
技术重复和生物学重复是评估批次效应的核心。技术重复来自同一样本的分装，理论上应几乎完全一致；生物学重复来自不同个体，允许有真实生物学差异，但同一批次内的重复应比跨批次重复更相似。
早期预警可观察：
- 技术重复之间的基因表达相关系数（如 Spearman）低于 0.95，或变异位点一致性低于 98%，提示建库或测序环节引入随机偏差；
- 同一批次内生物学重复的聚类距离明显小于跨批次同类样本，说明批次效应已主导数据结构；
- 重复样本的文库大小、GC 分布、插入片段长度分布出现系统性偏移，提示批次处理条件不一致。
一个实用的做法是：在实验设计阶段就安排“桥接样本”——同一份对照 RNA/DNA 分装后分别放入不同批次。桥接样本在不同批次间的表现差异，可直接量化批次效应的大小，而不依赖对生物学差异的假设。
三、内参与复杂度：文库质量的内部指标
内参（spike-in）是人工加入的已知序列，如 ERCC RNA 混标或已知浓度的合成 DNA。它的价值在于：加入量已知，因此可以反推每个样本的绝对灵敏度、动态范围和批次间的技术偏差。若某批次 ERCC 的检出率显著下降，或高低浓度 ERCC 的比值偏离预期，说明该批次的建库效率或测序深度存在问题。
复杂度指标反映文库中独立分子的多样性，常用指标包括：
- 唯一分子标签（UMI）去重后的有效 reads 数；
- 检测到的基因数或变异位点数；
- 文库的重复率（duplication rate）和饱和曲线。
异常信号：某样本的复杂度显著低于同批次其他样本，但比对率正常，往往提示起始量不足或 PCR 过度扩增；若复杂度下降同时伴随重复率升高，则更可能是文库过度循环。复杂度指标应与比对率联合判读，避免把“测序深度低”误判为“文库质量差”。
四、比对率与污染比例：数据层面的污染证据
比对率（mapping rate）是 reads 能比对到参考基因组的比例。正常样本的比对率通常在 90% 以上（具体取决于物种和建库方式）。若某样本比对率骤降至 70% 以下，需排查：
- 是否存在接头污染或引物二聚体；
- 是否混入其他物种的核酸（如细菌、真菌、支原体）；
- 是否参考基因组版本或比对参数设置不当。
污染比例可通过多种方式估算：
- 用已知污染源（如另一物种、另一批次的样本）的参考序列做二次比对，统计非目标物种 reads 占比；
- 在变异检测中统计样本间共享的私有变异数量，若两个本应无关的样本共享大量罕见变异，提示交叉污染；
- 对微生物样本，可用物种分类工具统计非目标物种的相对丰度。
一个可操作的预警阈值示例（需根据项目类型调整）：
| 指标 | 正常范围 | 预警阈值 | 可能原因 |
|---|---|---|---|
| NTC Ct 值 | 无扩增或 > 38 | 30～35 | 试剂/气溶胶污染 |
| 空白对照 reads | < 1000 | > 10000 | 样本交叉污染 |
| 技术重复相关性 | > 0.98 | < 0.95 | 建库/测序随机偏差 |
| 比对率 | > 90% | < 70% | 污染或接头残留 |
| 非目标物种 reads 占比 | < 1% | > 5% | 外源污染 |
| 重复率 | 视文库而定 | 显著高于同批次均值 | 起始量低或过度扩增 |
五、把指标串成一条预警链
单个指标异常往往不足以定性，但多个指标同时偏离时，污染或批次效应的可能性大幅上升。下图展示了一条从对照到样本、从文库到数据的预警信号链：对照样本先发出“有无污染”的信号，重复样本和内参反映“批次偏差有多大”，复杂度、比对率和污染比例则定位“问题出在哪个环节”。
实际执行时，建议把上述指标固化为每批次必填的质控表，在数据下机后 24 小时内完成判读。对照样本和桥接样本的异常优先处理，因为它们直接指向污染源或批次偏差；复杂度、比对率和污染比例则用于定位问题环节。只有把“看什么指标、什么值算异常、异常后走哪条路径”提前约定清楚，早期预警才真正可执行，而不是停留在事后解释。