【多组学和临床转化系列】对照组和疾病组分两批测，差异还能解释吗？

对照样本先收齐，就先送一批；疾病样本晚一些，再送一批。临床收样中，这样的安排并不少见。等到报告显示两组明显分开，问题来了：这是疾病差异，还是两次实验条件不同？

批次效应，就是不同处理或检测批次带来的系统性技术差异。当批次与分组重合，两种影响就可能混在一起。

批次影响，只会让差异“变多”吗？

处理时间、操作者、试剂批号和测序批次，都可能影响结果。当这些因素与分组绑定时：

• 可能产生看似与疾病有关的假差异。
• 也可能抵消甚至掩盖真实差异。

所以，差异基因很多或很少，都不能单凭数量判断批次影响有多大。

两组在图上分得很开，能说明什么？

如果所有对照都在**批建库，所有疾病样本都在第二批，就属于完全混杂。

即使 PCA 图上两组分得清楚，也不能据此认定由疾病或批次主导。PCA 是把复杂数据压缩到少数维度、观察整体差异的方法；图上分开，不等于解释清楚了原因。仅靠这套数据，通常难以区分两者。

送样前，可以先画一张“分组 × 批次”表：

材料允许时，让每批包含各比较组，并随机安排处理顺序。采集、保存、建库记录也要保留，平衡测序批次，不能补上前处理的系统性差异。

已经测完，能靠软件把两组“拉回来”吗？

先诊断，再决定是否校正。单细胞常见的 UMAP 图也是压缩数据、展示细胞关系的图。各群分成“岛”，可能与质量、细胞组成或真实生物学差异有关。

数据整合旨在减轻技术影响，同时保留生物学信号。图上混得均匀，不代表校正正确；用于聚类展示的整合结果，也不自动适合差异检验。

完全混杂后，还有哪些补救方向？

可以结合剩余材料和研究目标，评估补跨批次样本、重测部分材料或开展独立验证。

但独立验证能检验线索，不能消除原数据的混杂。写报告时，应把原数据的探索性发现、设计限制和后续支持证据分开交代。

参考阅读

• A benchmark of batch-effect correction methods for single-cell RNA sequencing data. *Genome Biol*, 2020.
• Benchmarking atlas-level data integration in single-cell genomics. *Nature Methods*, 2022.

担心分组和批次重合？把脱敏的样本安排表和处理记录发给我们，帮你评估设计和分析限制。联系 叶博士 13780009482。

#多组学 #批次效应 #单细胞测序 #实验设计 #如耀生物