批次效应与数据协调

快速概览

批次效应是多组学整合最易失败的环节：技术变异让样本按平台而非按生物学状态聚类。本页给出校正目标的形式化分解、四类主流方法，以及从批次去除与生物学保留两侧评估校正质量的指标体系。

校正目标即分解 X = B + S + ε：去除技术批次 B 的同时保留生物信号 S；批次去除、生物学保留、避免过校正三个目标存在内在张力
方法谱系：ComBat（经验贝叶斯线性模型，估计加性与乘性批次效应）、Harmony（嵌入空间迭代校正）、MNN（相互最近邻校正向量，不依赖批次标签）、scVI/MOFA+（概率建模分离共享与批次特异因子）
评估必须双侧进行：kBET/批次熵查批次去除，细胞类型纯度/silhouette 查生物学保留，还需用混合指数与伪时间相关性检测过校正

问题定义

什么是批次效应

批次效应（Batch Effect） 指由于技术因素而非生物学因素导致的系统差异。这些因素包括：

实验平台差异：不同测序仪、芯片或质谱仪
操作批次差异：不同日期、不同操作人员
试剂差异：不同批号试剂、不同文库制备方案
处理条件差异：温度、时间等实验条件波动

形式化描述

设观测数据 $X \in \mathbb{R}^{n \times p}$ 由两部分组成：

X = B + S + \epsilon

其中：

$B$ 为批次效应（技术变异）
$S$ 为真实生物学信号
$\epsilon$ 为随机噪声

批次校正的目标是估计并去除 $B$ ，同时保留 $S$ 。

为什么这是核心问题

多组学整合最易失败的环节往往不是模型复杂度不足，而是批次效应掩盖了真实的生物学信号。具体表现为：

| 问题类型 | 具体表现 | 后果 | |---------|---------|------| | 平台差异 | 不同测序平台的数据分布不同 | 样本按平台聚类而非按生物学状态聚类 | | 时间批次 | 不同日期处理的样本呈现系统偏移 | 假阳性差异信号 | | 操作差异 | 不同技术人员引入的系统性偏差 | 技术伪迹被误认为生物学信号 |

数据协调的理想目标

数据协调（Data Harmonization）旨在实现以下三个目标：

目标 1：消除技术批次分离

确保同一生物学群体内的样本不因技术批次而聚类分离。

目标 2：保留生物学差异

不同细胞类型、疾病状态等生物学差异应保持可分辨。

目标 3：避免过度校正

不应将真实的生物学信号误判为批次效应而消除。

三者之间的张力

这三个目标之间存在内在张力：

过度追求批次消除 $\rightarrow$ 可能抹去生物学差异
过度保留生物学差异 $\rightarrow$ 可能残留批次效应
校正不足或过度 $\rightarrow$ 下游分析均受影响

批次校正方法

基于线性模型的方法

ComBat（Empirical Bayes framework）

假设批次效应可用线性模型描述：

Y_{ijg} = \alpha_g + X_{ij}\beta_g + \gamma_{ig} + \delta_{ig}\tilde{Y}_{ijg} + \epsilon_{ijg}

其中：

$\gamma_{ig}$ ：批次 $i$ 对基因 $g$ 的加性效应
$\delta_{ig}$ ：批次 $i$ 对基因 $g$ 的乘性效应
$\tilde{Y}_{ijg}$ ：标准化后的表达值

基于嵌入空间的方法

Harmony

在高维嵌入空间迭代修正批次效应：

初始降维（PCA）
软聚类：估计细胞属于各群体的概率
线性校正：在每个群体内部校正批次效应
迭代至收敛

相互最近邻（MNN, Mutual Nearest Neighbors）

假设不同批次间存在共享的生物学群体：

在各批次间识别相互最近邻对
计算批次间的"校正向量"
应用校正向量对齐批次

基于深度生成模型的方法

scVI / totalVI / MultiVI

使用变分自编码器同时建模：

共享的潜在生物学状态 $z$
批次特异的噪声参数
组学特异的生成过程

基于因子分析的方法

MOFA+

明确分离共享因子与批次特异因子：

X^{(k)} = W^{(k)} Z + W_{\text{batch}}^{(k)} Z_{\text{batch}} + \epsilon^{(k)}

通过贝叶斯推断自动学习各因子的重要性。

整合质量评估

评估维度

有效的数据协调评估需从多个维度进行：

| 维度 | 指标 | 评估目标 | |-----|------|---------| | 批次去除 | kBET、批次熵 | 样本是否按批次聚类 | | 生物学保留 | 细胞类型纯度、 silhouette score | 生物学标签是否可分辨 | | 下游任务 | 差异表达一致性、轨迹连续性 | 下游分析是否合理 | | 过校正检测 | 细胞类型混合度、伪时间偏移 | 是否过度混合不同群体 |

常用评估指标

批次效应检测

kBET（k-nearest neighbor Batch Effect Test）：检验近邻中批次分布是否均匀
批次熵（Batch Entropy）：衡量局部邻域的批次多样性

生物学保留

细胞类型纯度（Cell Type Purity）：校正后同簇内细胞类型一致性
Silhouette Width：衡量簇内紧凑性与簇间分离度

过校正检测

细胞类型混合指数（Cell Type Mixing Index）
伪时间相关性（Pseudotime Correlation）

方法选择指南

| 场景 | 推荐方法 | 理由 | |-----|---------|------| | 已知批次标签，样本量中等 | ComBat、Harmony | 计算高效，校正效果稳定 | | 单细胞多组学整合 | scVI、totalVI、MultiVI | 专为单细胞设计，可处理多模态 | | 需要不确定性估计 | MOFA+ | 贝叶斯框架，提供后验分布 | | 批次-生物学耦合 | MNN | 不依赖批次标签，基于共享群体 | | 大规模数据 | Harmony、scVI | 可扩展性好 |