如何处理批次效应（batch effect）

在生信分析过程中，尤其是转录组分析中，经常会遇到测得数据不足，需要利用公共数据库中已有的数据，那么能将这些数据直接和测序的数据混合吗？如果贸然混合，会有什么问题？

10年nature有一篇综述，专门讲这个问题。

不同平台的数据，同一平台的不同时期的数据，同一个样品不同试剂的数据，以及同一个样品不同时间的数据等等都会产生一种batch effect 。这种影响如果广泛存在应该被足够重视，否则会导致整个实验和最终的结论失败。

我简单说下什么叫做batch effect。比对实验组和对照组，不同的处理是患病和不患病（测序时，先测得疾病，然后测得正常），然后你通过分析，得到很多差异表达的基因。现在问题来了，这个差异表达的结果是和你要研究的因素有关，还是时间有关，这个问题里时间就会成为干扰实验结果的因素，这个效应就是batch effect。

如何检测是否存在这种效应呢

最简单的就是记录实验中时间这个变量，然后对差异表达的基因进行聚类，看是否都和时间相关，如果相关就证明存在batch effect。

同样，如果不同平台的数据之间存在batch effect ，就不能简单的整合。

大家可能都会问标准化，会不会处理掉batch effect ？

答案是能够减弱，不能从根本上消除。如下图，b是a进行过标准化的结果，从样本上看都一直，没有什么问题，但是落实到基因层面，c图中还是有明显的batch effect，d图中通过时间进行聚类，很明显可以看出差异表达主要是由于时间引起的。

通常情况下我们只考虑实验室情况和时间影响，并且只考虑线性关系，其实还是有一些其他的因素在影响，但是如果他并不能作为首要因素影响实验结果的时候，我们就可以忽略这些因素啦。

通过对公开数据的分析，可以很明显的看出往往混合数据都有很高的batch effect。

千人基因组计划中，按照时间聚类，可以看到很明显的蓝色条和黄色条，说明也存在明显的batch effect。

如何处理batch effect？

首先如果是自己设计实验，应该尽量分散掉这种不相关因素的影响，比如测正常和患病组织时不要集中的上午测正常，下午测患病，应该随机分散开，破坏掉时间效应，另外还有其他的因素，也应该进行分散。

文章中建议

对样本加标签，然后通过聚类看是否存在某种效应，然后确认那种因素最为相关，然后利用统计模型进行过滤，然后再验证下，是否还有batch effect。

在线评估工具和参考资料

TCGA：http://bioinformatics.mdanderson.org/tcgabatcheffects

http://www.itl.nist.gov/div898/handbook/eda/section4/eda42a3.htm

http://www.biomedsearch.com/nih/Removing-batch-effects-in-analysis/21386892.html

http://www.molmine.com/magma/global_analysis/batch_effect.html

http://www.bioconductor.org/packages/