批次效应

批次效应（英文：Batch effect）是指在高通量实验和组学数据分析中，由于非生物学的技术性因素在不同实验批次间引入的系统性变异。这些因素会掩盖或混淆真实的生物学信号，是导致数据不可重复和错误发现的主要技术挑战之一。批次效应广泛存在于微阵列、RNA测序、蛋白质组学和代谢组学等实验中。

• 系统性：并非随机噪声，而是在特定批次内所有样本间产生一致偏移的模式。
• 非生物学来源：由实验过程的差异引起，而非所研究的生物条件本身。
• 可叠加性：可能叠加在真实的生物学信号之上，干扰数据的解释。
• 普遍性：在多中心、长时间跨度或大规模的研究中几乎无法完全避免。

批次效应产生于实验流程的几乎每一个环节：

1. 样本制备：不同操作者、不同时间点进行RNA/DNA提取，试剂盒批次不同，提取效率差异。
2. 实验处理：样本处理在不同日期进行，仪器校准状态变化（如离心机温度、pH计偏差）。
3. 检测平台：
   • 微阵列：不同芯片批次、杂交条件、扫描仪的差异。
   • 高通量测序：不同测序运行批次、不同流动槽、不同文库制备试剂、测序平台（如 Illumina HiSeq 与 NovaSeq）间的系统性差异。
4. 环境因素：实验室温度、湿度波动。

表1：批次效应与生物学变异的对比

在数据分析前，识别批次效应至关重要：

1. 无监督可视化：
   • 主成分分析（英文：Principal Component Analysis， PCA）：是最有效的诊断工具。如果样本在第一或第二主成分上按实验日期、处理批次或测序通道（而非生物学条件）清晰分离，则表明存在强烈的批次效应。
   • 层次聚类热图：检查样本是否主要按技术批次而非实验组别聚类。
2. 有监督分析：使用方差分析等方法，量化各主成分或基因表达量与批次变量的关联强度。

1. 实验设计阶段（预防）

• 随机化：将不同实验条件的样本随机分配到各个实验批次中，使批次效应与关注条件不相关（混杂）。
• 平衡设计：确保每个批次内包含所有实验条件的样本，且比例均衡。
• 引入对照：使用参考样本或混合样本，在每批实验中运行，用于监控和校正批次间差异。

2. 数据分析阶段（校正）

当预防不足时，需采用计算校正方法：

• 基于线性模型的校正：
  • limma 包中的 removeBatchEffect() 函数：在拟合线性模型后，从表达数据中减去估计出的批次效应。适用于下游差异表达分析。
  • 纳入协变量：在统计模型（如DESeq2、edgeR的广义线性模型）中直接将“批次”作为协变量。这是最直接和推荐的方法之一。
• 基于经验的校正：
  • ComBat（及其变体 sva 包中的 ComBat_seq 用于计数数据）：使用经验贝叶斯方法估计批次效应，并进行调整。能有效处理小批次情况。
  • 奇异值分解（英文：Singular Value Decomposition， SVD）或因子分析：估计并移除与批次相关的主要变异成分。
• 标准化方法：某些标准化方法（如TMM、RLE）可在一定程度上缓解批次间的组成差异。

1. 过度校正风险：校正方法可能意外移除部分真实的生物学信号，尤其是当批次与生物学条件轻微相关时。
2. 复杂批次结构：存在多个交叉或嵌套的批次变量时，校正更为复杂。
3. 新批次预测：对于需要将新样本数据与已有批次数据合并分析的情况（如临床诊断模型），需谨慎处理批次转移问题。
4. 方法选择：没有一种方法适用于所有情况，需根据数据类型（连续值/计数）、批次结构、与生物学条件的关联性进行选择和评估。

批次效应校正对以下领域的数据整合与可重复性至关重要：

• 多中心临床研究：整合来自不同医院或实验室的样本数据。
• 大型公共数据库挖掘：整合基因表达综合数据库（英文：Gene Expression Omnibus， GEO）中不同研究、不同平台的数据进行元分析。
• 纵向研究：样本在不同时间点收集和检测。
• 大型 consortia 项目：如癌症基因组图谱（英文：The Cancer Genome Atlas， TCGA）、ENCODE等项目，必须系统处理来自多个中心的批次效应。

• Leek JT, Scharpf RB, Bravo HC, Simcha D, Langmead B, Johnson WE, et al. Tackling the widespread and critical impact of batch effects in high-throughput data. Nature Reviews Genetics. 2010;11(10):733-739.
• Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007;8(1):118-127.
• Ritchie ME, Phipson B, Wu D, Hu Y, Law CW, Shi W, et al. limma powers differential expression analyses for RNA-sequencing and microarray studies. Nucleic Acids Research. 2015;43(7):e47.
• Zhang Y, Parmigiani G, Johnson WE. ComBat-seq: batch effect adjustment for RNA-seq count data. NAR Genomics and Bioinformatics. 2020;2(3):lqaa078.
• Gagnon-Bartsch JA, Speed TP. Using control genes to correct for unwanted variation in microarray data. Biostatistics. 2012;13(3):539-552.
• Chen C, Grennan K, Badner J, Zhang D, Gershon E, Jin L, et al. Removing batch effects in analysis of expression microarray data: an evaluation of six batch adjustment methods. PLoS One. 2011;6(2):e17238.
• Luo J, Schumacher M, Scherer A, Sanoudou D, Megherbi D, Davison T, et al. A comparison of batch effect removal methods for expression data in small sample studies. BMC Bioinformatics. 2010;11:369.
• Niu L, Chen L, Zhang Y, Xie L, Li Y, Sun L, et al. A comprehensive evaluation of batch effect correction methods for single-cell RNA sequencing data. Briefings in Bioinformatics. 2022;23(4):bbac227.