📚 课程目录第1章批次效应控制工程导论

1. 批次效应控制工程导论

在生物实验里，我们常常希望观察到的差异来自真实的生物学变量，比如基因敲除、药物处理或疾病状态。但现实数据中，样本往往还携带另一类系统性差异：它们不是由实验条件造成，而是由样本处理的时间、操作人员、试剂批次、测序芯片、培养箱位置等因素引入。这类与生物学变量无关、却与样本分组或处理顺序系统相关的技术性偏移，就是批次效应（batch effect）。理解它、量化它、控制它，是保证实验结论可重复、可比较的前提，也是本课程要建立的工程化思维。

批次效应是什么：从“技术噪声”到“系统性偏移”

批次效应不是随机噪声。随机噪声在重复测量中趋向于相互抵消，而批次效应具有方向性和结构性：同一批次内的样本彼此更相似，不同批次之间整体平移或缩放。例如，两批 RNA-seq 样本分别在不同日期建库，第二批的文库浓度整体偏低，导致其基因表达计数在低表达基因上系统性偏小；如果病例组恰好集中在第二批，那么差异表达分析就可能把“批次差异”误判为“疾病相关差异”。

从数据角度看，一个基因的表达值可以粗略写成：

观测值 = 生物学真实效应 + 批次效应 + 随机噪声
y_ij = μ + β·condition_j + γ_batch(j) + ε_ij

其中 γ_batch(j) 表示第 j 个样本所属批次带来的加性偏移。若 γ 与 condition 相关（即批次与分组不独立），β 的估计就会有偏。这正是批次效应最危险的地方：它不一定让数据“看起来乱”，反而可能让结果“看起来合理”，却指向错误结论。

批次效应的常见来源

批次效应几乎贯穿实验全流程，常见来源可以按阶段梳理：

样本采集与保存：采血时间、禁食状态、冻存时长、冻融次数不同，会改变 RNA 完整性或代谢物浓度。
建库与试剂：不同批次的酶、接头、磁珠、PCR 试剂，以及操作人员手法差异，都会引入文库偏好。
测序与芯片：不同测序仪、不同 lane、不同芯片、不同扫描批次，带来读段质量、GC 偏好和背景信号差异。
培养与处理：细胞传代次数、培养基批次、培养箱位置、诱导时间微小差异，都会形成系统性偏移。
数据生成与处理：比对软件版本、参考基因组版本、归一化流程不同，也会造成“计算批次”。

需要强调的是，批次效应与实验设计紧密相关。若病例和对照在同一批次内均衡分布，批次效应虽然存在，但对组间比较的干扰较小；若病例全在一批、对照全在另一批，则批次与分组完全混杂（confounding），此时任何统计校正都无法可靠分离两者。因此，控制批次效应的第一道防线是设计，而不是算法。

对生物实验结论的影响

批次效应的影响可以从三个层面理解。第一，假阳性：批次差异被误认为生物学差异，导致大量基因或蛋白被错误标记为显著。第二，假阴性：批次间偏移增大了组内方差，真实效应被淹没，统计功效下降。第三，不可重复：同一实验在不同批次重复时结论不一致，甚至同一数据集用不同校正方法得到不同的差异基因列表。对于临床标志物发现、药物靶点筛选等应用，这类错误会直接导致后续验证失败。

批次效应与生物学效应混杂时，不能简单“校正掉批次”。如果批次与分组完全共线，校正会同时移除部分真实生物学信号，此时应回到实验设计或补充样本，而不是强行用算法处理。

控制工程的整体目标与流程

把批次效应控制称为“工程”，是因为它不是单一步骤，而是一条从设计到验证的闭环链路。整体目标可以概括为：在保留真实生物学差异的前提下，最小化并量化批次带来的系统性偏移，使结论在不同批次、不同平台、不同时间下可重复。围绕这个目标，流程通常包含以下环节：

实验设计：随机化、区组化、均衡分布，避免批次与分组混杂；必要时设置技术重复和参考样本。
数据质控：检查样本聚类、文库大小、GC 含量、比对率、PCA 分布，识别异常样本和明显批次结构。
批次识别与量化：用 PCA、层次聚类、方差分解、PVCA 等方法判断批次解释了多少变异。
校正方法选择：根据数据类型和下游任务选择 ComBat、limma removeBatchEffect、RUV、Harmony 等方法，并保留分组信息。
效果评估：校正后再次检查 PCA、聚类和差异分析结果，确认批次分离减弱而生物学分组仍可区分。
记录与复现：保存批次信息、软件版本、参数和随机种子，保证分析可追溯。

下面这张图把上述流程与关键判断点组织成一条控制链路，帮助建立整体框架。

一个可操作的最小示例

假设我们有一个两批次、两组别的表达矩阵：批次 B1 含 6 个样本（3 个对照、3 个处理），批次 B2 也含 6 个样本（3 个对照、3 个处理），分组在批次间均衡。用 R 的 sva 包做 ComBat 校正，关键代码可以写成：

library(sva)
mod <- model.matrix(~ condition, data = meta)   # 保留生物学分组
combat_expr <- ComBat(dat = expr, batch = meta$batch,
                      mod = mod, par.prior = TRUE)
# 校正前后分别做 PCA，比较批次与分组的分离情况
pca_before <- prcomp(t(expr))
pca_after  <- prcomp(t(combat_expr))

判断校正是否合理，不能只看“批次是否分开”，还要看“分组是否还在”。一个实用的检查顺序是：先看校正前 PCA 中批次是否主导第一主成分；再看校正后批次是否退到次要位置；最后确认处理组与对照组仍沿某个主成分分离。如果校正后分组也混在一起，说明校正过度，需要检查 mod 是否遗漏了关键协变量，或改用 RUV、Harmony 等对分组保护更好的方法。

批次效应控制的目标不是“消除所有批次差异”，而是让批次差异不再主导结论。保留少量批次残差通常比过度校正更安全，因为过度校正会削弱真实信号并降低可重复性。

从工程视角看，批次效应控制是一项贯穿实验设计、数据生成、统计分析和结果解释的系统工作。它要求我们在实验开始前就考虑批次结构，在数据到手后先诊断再校正，在校正后验证生物学信号是否保留，并把每一步的参数和判断记录下来。只有这样，生物实验的结论才能在不同批次、不同时间、不同实验室之间真正站得住。