实战指南：利用ComBat与removeBatchEffect攻克多组学数据批次效应

1. 多组学数据批次效应：从识别到校正的全流程指南

当你第一次拿到TCGA结肠癌和直肠癌的转录组数据时，可能会被样本量之大所震撼——701个样本，19938个基因。但更让人头疼的是，这些数据来自不同研究项目（TCGA-COAD和TCGA-READ），就像把不同实验室、不同时期做的实验结果混在一起分析。这就是典型的批次效应问题，它会让本应显著的生物学差异被技术变异所掩盖。

我在分析乳腺癌多中心数据时就踩过坑：两个医疗中心提供的基因表达数据，在未校正时聚类结果完全按中心分组，而非预期的肿瘤亚型。这种情况在公共数据库分析中尤为常见，比如：

• 不同测序平台产生的数据（Illumina HiSeq vs NovaSeq）
• 样本分多批处理的实验数据
• 多中心临床研究中的样本收集差异

批次效应最直观的表现是：当用PCA降维可视化时，样本不是按生物学分组（如肿瘤/正常）聚集，而是按批次来源聚集成簇。这会导致后续差异分析、生存分析等结果的可靠性大打折扣。

2. 数据准备与探索性分析

2.1 数据获取与预处理

用easyTCGA包获取数据确实方便，但新手常会忽略几个关键步骤。以结肠癌数据为例，获取TPM矩阵后必须进行log2转换（记得加0.1的伪计数避免取对数出错）：

r复制library(easyTCGA)
getmrnaexpr(c("TCGA-COAD","TCGA-READ")) 

# 加载数据并转换
load("TCGA-COAD_TCGA-READ_mrna_expr_tpm.rdata")
exprset <- log2(mrna_expr_tpm + 0.1) 

临床信息中的project_id（TCGA-COAD/TCGA-READ）就是天然的批次标签，而sample_type需要简化为tumor/normal两类：

r复制clin_info$sample_type <- ifelse(
  as.numeric(substr(clin_info$barcode,14,15)) < 10,
  "tumor",
  "normal"
)

2.2 可视化诊断批次效应

tinyarray包的draw_pca函数能快速生成诊断图。先看生物学分组（肿瘤vs正常）的分布：

r复制libra