5.2 批次校正 EMP_adjust_abudance

批次效应（batch effect）是指在数据采集过程中由于各种因素导致的系统性变异，而与研究变量无关。批次效应通常由以下原因导致：实验的不同部分在不同时间完成、实验条件的变化（包括：仪器、试剂批次、试剂用量、测序批次等）、数据来源不同（例如：将自己的数据集与公共数据集整合分析）等。批次效应的存在可能对数据分析和结果解释产生影响，而寻常的标准化方法不足以调整批次之间的差异。模块EMP_adjust_abudance可帮助用户有效地解决批次效应的校正问题，其包含了三种最常用的校正方法：combat_seq、combat和limma_remove_batch_effect。这些方法均可以通过缩小批次效应来提高数据的可比性和可靠性。

5.2.1 combat方法

该模块引用了sva包的 comBat 算法用于校正批次效应。comBat使用参数或非参数经验贝叶斯模型来校正批次效应，输入的数据为已经清洗、标准化的表达数据，返回的是一个已针对批次效应进行校正的表达矩阵。

🏷️示例：

使用模块EMP_assay_extract提取组学项目geno_ko的assay，并利用模块EMP_adjust_abudance中的参数.factor_unwanted指定不感兴趣的因素（即：需要进行批次校正的因素）是Region，参数.factor_of_interest指定感兴趣的因素是'Group'，参数method指定使用'combat'方法进行批次效应校正。

MAE |>
  EMP_assay_extract(experiment='geno_ko') |>
  EMP_adjust_abundance(.factor_unwanted = 'Region',.factor_of_interest = 'Group',
                      method = 'combat')

5.2.2 combat_seq方法

该模块引用了sva包的 comBat_seq 模块用于校正批次效应。comBat_seq 是 combat的改进模型，使用负二项式回归，专门针对 RNA-Seq 计数数据。

🏷️示例：

MAE |>
  EMP_assay_extract(experiment='geno_ko') |>
  EMP_adjust_abundance(.factor_unwanted = 'Region',.factor_of_interest = 'Group',
                      method = 'combat_seq')

5.2.3 limma_remove_batch_effect方法

该模块引用了limma包的 removeBatchEffect 模块用于校正批次效应。该模块通常用于微阵列数据或RNA测序数据批次效应的去除。

🏷️示例：

MAE |>
  EMP_assay_extract(experiment='geno_ko') |>
  EMP_adjust_abundance(.factor_unwanted = 'Region',.factor_of_interest = 'Group',
                      method = 'limma_remove_batch_effect')