WeChat科普推文 第4期 · 2026-05-09
话题: 批次效应、分布偏移、跨批次鲁棒性

第4期：批次效应——单细胞大模型最大的敌人

前情提要：前三期已覆盖入门概述/细胞语言/零样本学习（第1期）、scGPT/tokenization/预训练（第2期）、NLP类比/Transformer（第3期）。本期选取选题池中完全未被触及的「批次效应」——这恰好是单细胞基础模型领域最核心的工程挑战，也最具「敌人叙事」的故事张力。

批次效应：单细胞大模型最大的敌人

2018 年冬天，博德研究所的 Aviv Regev 团队刚刚完成了一项里程碑：他们把 53 万个人类细胞送入单细胞 RNA 测序流水线，构建出人类细胞图谱的第一个草图。然而当博士后们把数据丢进 UMAP 降维图中时，所有人都沉默了——细胞没有按心、肝、肺、肾的生物学身份聚在一起，而是按「实验批次」分成了泾渭分明的几块。同一批测序的血细胞和神经细胞紧紧抱团，不同批次跑出来的肝细胞却天各一方。

一位博士生苦笑道：「生物学信号像呢喃，批次效应像咆哮。」

这就是做单细胞数据分析绕不过去的问题——批次效应（batch effect）。

同一个样本，两台测序仪，两个世界

批次效应并不新鲜。但在单细胞组学时代，它变成了一头「房间里的大象」——大到无法忽视。

原因很简单：单细胞数据极其稀疏，信噪比天然就低。 传统 RNA 测序测的是上百万个细胞的平均表达，类似听一场千人合唱——跑调几个人你听不出来。而单细胞测序，相当于你拿着话筒走到每一个人嘴边单独录音。呼吸声、麦克风电流声、空调嗡鸣，全都会清晰地出现，有时候甚至比歌声本身还大。

在单细胞语境里，「空调嗡鸣」可能有十种来源：组织解离酶放了多久、用 10x Genomics 还是 Smart-seq2、测序深度高低、甚至那天实验室的温度。任何一个变量，都可能叠加一层非生物学的结构。

结果就是：你把两家医院的单细胞数据合并分析，癌细胞和正常细胞的差异被「北京协和团队测的」vs「上海瑞金团队测的」这种批次标签轻松压倒。你 UMAP 图上左边是北京，右边是上海——你想找的生物标志物，全淹在了实验条件差异的汪洋里。

传统方案：各显神通，但都不完美

对此，生信学家们打出了一套组合拳。

数学模型派——Seurat 的 CCA 整合算法，先找出两个数据集里的「对应细胞对」，然后用典型相关分析把它们对齐到同一个坐标系。就像把两张不同角度拍的照片，通过找共有地标，拼成全景图。

概率模型派——scVI 用变分自编码器把「批次信息」塞进隐变量，逼迫模型在学到生物学规律的同时，把技术噪声隔离到单独维度。好比你不消除背景杂音，而是直接告诉 AI：「这段音频里有歌声和空调声，你分别转录。」

软聚类纠偏派——Harmony 反复迭代调整细胞嵌入，直到每个簇里各批次比例均衡。像一个调座位算法，确保每组都有来自不同学校的学生。

这些工具在中小规模数据上表现不错，但有一个共同软肋：每来一批新数据，你得重新跑一遍整个整合流程。 更重要的是，它们只能「后验修正」，无法从根本上「理解」批次效应——你永远在用战术手段解决战略问题。

为什么大模型更怕批次效应？

直觉上，模型越大、数据越多，应该越鲁棒。但在单细胞大模型的世界里，恰好相反——批次效应是它最致命的阿喀琉斯之踵。

以 scGPT 预训练为例：你喂给模型上千万个细胞的基因表达向量，让它「根据上下文预测被遮挡的基因表达值」。模型看到两个细胞里 CD3D 基因高表达，会猜测它俩都是 T 细胞。

但问题来了：CD3D 在两个批次中的表达量可能存在系统性偏移——批次 A 里所有基因表达都整体偏高 15%，因为那轮测序文库浓度调得更高。模型事先不知道这是技术噪声，会天真地把这种系统性偏高当作「某种生物学规律」来学。更糟的是，这 15% 的偏差可能恰好和疾病 vs 健康的真实差异幅度相当——模型彻底困惑了：该信哪个？

这就是分布偏移（distribution shift）：模型在训练数据上看到的「规律」，到了新数据上完全不成立。你的 scGPT 在人类肺组织上精确率做到 93%，拿去测另一家实验室的小鼠心脏数据，精确率暴跌到 40%——不是因为模型不认得心脏细胞，而是新数据的表达值分布整体变了。就像一个只在北京晴天里训练的自动驾驶汽车，开进上海梅雨季的隧道，立刻不知道该看哪里。

大模型参数越多，记住的「伪规律」就越深。 一个线性模型学错了批次效应，你还能揪出来；一个 5000 万参数的 Transformer 把批次偏差和生物真信号编码进同一个高维空间，纠错难度指数级上升。

反击：大模型的四件武器

正因为被打得最疼，大模型也最先发展出了系统性的反制手段。

第一招：以量胜出。 scBaseCount 等大规模细胞策展项目，从 GEO、CELLxGENE 爬取数亿个细胞，覆盖数百项研究、多种物种和平台。当训练数据足够多样时，某一批次的特定偏差就不再是「偏差」，而只是「波动」——就像你收集了全球一万个房间的温度数据，其中某个房间空调坏了这一点，在全局统计中稀薄到无法影响任何结论。

第二招：排序免疫。 Geneformer 不对原始表达值建模，而是对基因在细胞内的相对排序建模——猜「排名第 1 的基因被遮住了，它是什么？」而不是「这个值是 5.2 还是 6.8？」排序对全局偏移完全免疫：所有人一起升了 15%，排名顺序几乎不变。好比你不需要知道这幅画用的是哪家颜料，看到构图和色彩关系就能认出这是达·芬奇。

第三招：显式批次嵌入。 scGPT 在输入层给每个细胞拼接「元数据 token」——实验批次 ID、测序平台、物种等。训练时模型在这些 token 帮助下显式解耦技术变量和生物变量。类似翻译软件被告知「原文文体是学术论文」之后，就不会把「细胞凋亡」翻译成奇怪的东西了。

第四招：对比学习。 SCimilarity 等模型在对比学习框架下，刻意拉近同类细胞在不同批次中的嵌入距离，推远不同类细胞。就像你反复让同一个战友穿迷彩服、常服、便装出现在新兵面前，直到新兵意识到这三个人其实是同一个人。

最后的试金石

2024 年，基准测试 scEval 专门设计了「批次鲁棒性」评测：训练和测试数据强制分属不同批次，看各大模型表现。

结果既欣喜又紧张：最好模型确实展示了可观的跨批次迁移能力，但距离「免疫批次效应」还很远。即使最先进的 scGPT 和 Geneformer，在跨批次、跨物种、跨平台的「三跨」场景中，关键细胞类型识别准确率仍会从 90%+ 跌到 70% 上下——对临床诊断来说，不可接受。

这恰恰说明：批次效应不是能被某一个聪明算法一步到位解决的技术问题；它需要数据规模、模型架构、训练策略和评测体系的全方位协同进化。 单细胞大模型的终极目标，不是在某类细胞上做到 99% 准确率，而是做到「无论细胞在北京还是上海测的、在 2020 年还是 2025 年测的、用 10x 还是 Smart-seq2 测的，模型对它的理解都不变。」

就像 GPS 的终极梦想不是「在北京导航很准」，而是「覆盖全球，无死角」。在单细胞基础模型的世界里，批次效应不仅是最顽固的敌人，也是最诚实的试金石——一个真正通用的大模型诞生之日，就是它在批次效应面前面不改色之时。

一句话总结：如果单细胞大模型要建成一座跨越组织、跨过物种、跨过疾病的「细胞巴别塔」，那批次效应就是站在工地中央不断掀翻砖块的隐形巨人——科学家的全部努力，就是教会 AI 绕开它、看穿它、最终彻底无视它。