3. 批次效应的可识别性分析

在上一节中，我们明确了批次效应既可能来自技术操作，也可能来自样本处理时序。但一个更根本的问题必须先回答：在当前实验设计下，批次效应到底能不能被“识别”出来？如果批次与分组、时间、个体等关键生物学变量完全绑定，那么无论后续用 ComBat、limma 还是 RUV，都无法把两者真正分开。可识别性分析，就是在建模之前先判断“数据里有没有足够的信息把批次和生物学信号拆开”。

一、混杂与共线性：可识别性的第一道门槛

混杂（confounding）指的是批次变量与生物学变量在样本分配上高度关联，导致二者的效应无法独立估计。最典型的情形是：对照组全部在批次 1 处理，处理组全部在批次 2 处理。此时设计矩阵中“批次”列与“分组”列完全相同（或成比例），二者构成完全共线性。数学上，设计矩阵 X 的列向量线性相关，矩阵不满秩，最小二乘解不唯一，任何校正都会把真实的处理效应一并抹掉。

实际中更常见的是部分混杂：批次与分组并非完全一致，但交叉单元格样本极少。例如 2×2 设计中，批次1-对照有 8 例、批次1-处理有 2 例、批次2-对照有 2 例、批次2-处理有 8 例。此时矩阵满秩，理论上可解，但少数单元格的估计方差极大，校正结果极不稳定。判断这类风险，不能只看“是否完全重合”，还要看每个“批次×分组”组合的样本量。

二、设计矩阵秩分析：把可识别性变成可计算量

把实验设计写成设计矩阵 X（行=样本，列=截距、分组、批次、协变量），可识别性等价于 X 是否满秩，即 rank(X) 是否等于列数 p。若 rank(X) < p，说明存在线性相关的列组合，对应参数不可估计。实际操作中可用 R 快速检验：

# 示例：分组 group（2 水平）与批次 batch（2 水平）
group <- factor(c(rep("ctrl",10), rep("trt",10)))
batch <- factor(c(rep("B1",5), rep("B2",5), rep("B1",5), rep("B2",5)))
X <- model.matrix(~ group + batch)
qr(X)$rank          # 返回秩
ncol(X)             # 返回列数
# 若 rank < ncol，存在共线性

# 查看交叉表，定位稀疏单元格
table(batch, group)

若 rank(X) 小于列数，可用 alias() 或对 X 做 QR 分解找出哪一列是其余列的线性组合。更实用的做法是直接检查交叉表：任何一行或一列出现 0，或某单元格占比过低，都提示可识别性不足。需要强调的是，秩分析只回答“能否估计”，不回答“估计得准不准”；满秩但单元格极不平衡时，仍需结合方差膨胀因子（VIF）评估共线性强度。经验上 VIF > 5 提示中度共线，VIF > 10 提示严重共线，批次与分组之间的 VIF 应重点检查。

三、可分离性评估：从“能算”到“可信”

满秩只保证参数可估计，不保证批次与生物学信号在数据中真正可分。可分离性评估要回答：批次效应的大小和方向，是否与分组效应纠缠在一起。常用手段有三类。

第一，PCA/PCoA 目视诊断。对表达矩阵做 PCA，用颜色标批次、形状标分组。若同一分组样本按批次分成两簇，且两批次的偏移方向与分组差异方向一致，说明二者高度共线；若批次内分组差异清晰、批次间同组样本重叠良好，则可分离性较好。注意 PCA 只能定性提示，不能替代统计量。

第二，方差分解。用 variancePartition 或线性混合模型，把总方差拆分为批次、分组、残差等成分。若批次解释的方差比例接近甚至超过分组，且二者置信区间重叠，说明可分离性差。示例中若批次贡献 28%、分组贡献 12%，则批次是主导变异来源，校正时必须保留分组项，否则会误伤信号。

第三，代理变量相关。用 svaseq 或 RUV 估计隐藏因子后，计算其与已知批次标签、分组标签的相关性。若某隐藏因子与批次高度相关（|r| > 0.8）且与分组几乎无关，说明它捕捉的是批次；若同时与两者相关，则该因子是混杂的混合体，直接回归会引入偏倚。

四、判断结果如何指导决策

综合以上分析，可形成明确的分级判断：若 rank(X) < p 或存在空单元格，属于不可识别，必须回到实验设计层面，补充交叉样本或重新分配批次，任何算法校正都不可信；若满秩但 VIF > 10 或稀疏单元格样本 ≤ 2，属于弱可识别，可尝试校正但需在结果中报告共线性风险，并用敏感性分析验证结论稳健性；若满秩、VIF 适中、PCA 显示批次与分组方向正交，则属于可识别，可正常进入 ComBat、limma 等校正流程。

需要牢记：可识别性是实验设计的属性，不是算法的属性。算法只能在设计允许的信息范围内做最优分配，无法凭空创造被混杂抹去的信息。因此，本节的分析应前移到实验规划阶段——在样本分配时就尽量让每个“批次×分组”单元格均衡，从源头保证批次与生物学变量可分离，这比事后任何复杂的校正都更可靠。