关于批次效应的若干问题

批次效应定义

我们引用文献里面的原文：
Tackling the widespread and critical impact of batch effects in high-throughput data

Batch effects are sub-groups of measurements that have qualitatively different behaviour across conditions and are unrelated to the biological or scientific variables in a study. For example, batch effects may occur if a subset of experiments was run on Monday and another set on Tuesday, if two technicians were responsible for different subsets of the experiments, or if two different lots of reagents, chips or instruments were used

这段话阐述了产生批次效应的三个方面：
1.同一个实验在不同时间完成
2.同一个实验又不同实验员完成
3.同一个实验所用的试剂，器皿等不一样或是数据来源不同

或是根据刘小乐教师给出的定义：

Betch effect: Non-biological variation
1.Make samples not directly comparable
Caused by differences:
1.Different day / months of the experiments
2.Different reagents(enzymes,buffers)
3.Different mice(from different companies)
4.Different sequencers
5.Lab protocol or experimenter

数据的构成

一般性的测序数据构成如下：

由基础表达量加上treatment与control对比的差异加上随机变量构成
如果该数据具有Batch effect，那么数据构成为：

可见批次效应的影响还是比较大的

如何鉴定批次效应

在bulk-seq里面，我们往往很难区分样本间的差异是由于生物学处理所引起的还是批次效应所引起的，所以鉴定批次效应最好从相同处理或者是相同组织的样品入手，所以control尤为重要

（1）PCA聚类检测

如果是RNA-seq的数据，我们可以利用PCA聚类来检测（表达量需要标准化）：
如果是没有批次效应的数据，那么他们的样品聚类应该呈现出的是相同处理或者是相同组织的样品聚到一类里面，而且相同处理或者相同组织之间的相关性应该比较的高，而不会出现相同处理或者相同组织的样品过于分散的情况；
如果是有批次效应的数据，那么他们的相同处理或者是相同组织的样品聚类应该比较杂乱无章，并且相同处理或者相同组织之间的相关性会较低一些

（2）看家基因法

一般来说，对于相同处理或者是相同组织的样品的看家基因的表达量是比较稳定的，常常会被拿做内参基因作为对照，那么理论上相同处理或者相同组织之间看家基因在同一时期的表达量应当是大致相同的，我们可以选取若干看家基因来做鉴定，看看他们之间的表达量是否存在巨大的差异，如果有，那么很可能是存在着批次效应

（3）整体 / 局部表达谱

对于相同的处理或者相同的组织，各个生物学重复之间的表达模式应该是相似的，我们可以在相同的处理或者相同的组织的各个生物学重复中利用全部的基因或者挑选局部若干个基因的表达量来看，看看各个重复之间是否存在巨大的差异

如何消除批次效应

对于表达数据来说，可以利用R包bladder batch，ComBat，sva，ber，RUVSeq 和 BatchQC 来检测
还有就是LIMMA的 removeBatchEffect() 函数来去除（可以参考相应包的说明文档）
bladder batch：bladder batch

ComBat：ComBat

sva：sva

ber：貌似下架了

RUVSeq：RUVSeq

BatchQC :BatchQC

LIMMA：LIMMA

这些软件的基本思想就是扣除协变量（批次效应）的影响

简单来说，对于表达矩阵来说：

1.Yi,j 表示第 j 个样品第 i 个基因的表达量
2.μi 表示第 i 个基因在各个样品间表达量的均值
3.εi,j 表示第 i 个基因在各个样品间表达量与均值的差异，比方说第2个样品的第1个基因可表示为: Y1,2 = μ1 + ε1,2

那么包含批次效应：

1.Yi,j 表示第 j 个样品第 i 个基因的表达量
2.μi 表示第 i 个基因在各个样品间表达量的均值
3.rj 表示第 j 个样品存在的批次效应
4.εi,j 表示第 i 个基因在各个样品间表达量与均值的差异，比方说第2个样品的第1个基因可表示为: Y1,2 = μ1 + r2 + ε1,2

那么软件所要检测的既是rj，并且扣除协变量（批次效应） rj 的影响