バッチ効果

分子生物学では、バッチ効果とは、実験における非生物学的要因が実験によって生成されたデータに変化をもたらす現象です。このような効果は、その原因が実験における関心のある結果の 1 つ以上と相関している場合、不正確な結論につながる可能性があります。これらは、マイクロアレイ、質量分析計 [ 1 ]、およびシングルセル RNA シーケンス データ [ 2 ] を使用するものを含む、多くの種類のハイスループットシーケンス実験で^{よく見られ}ます。これら^は、ゲノミクスおよび^ハイスループットシーケンス研究の文脈で最もよく議論されますが、他の科学分野にも存在します。^{[ 1 ]}

文献では、「バッチ効果」という用語の定義が複数提案されている。Lazar ら (2013) は、「いわゆるバッチ効果の完全かつ明確な定義を提供することは、特にその起源やデータにおける現れ方が完全には分かっていないか記録されていないため、困難な課題である」と述べている。マイクロアレイ実験に焦点を当て、彼らはいくつかの以前の定義に基づいて新しい定義を提案している。「バッチ効果とは、サンプルが異なるバッチで処理および測定されたときに生じる体系的な技術的差異であり、MAGE [マイクロアレイ遺伝子発現] 実験中に記録された生物学的変動とは無関係である。」^{[ 3 ]}

バッチ効果の潜在的な原因として、以下のような多くの変動要因が特定されています。

• 実験室条件^{[ 1 ]}
• 試薬ロットまたはバッチの選択^{[ 1 ] [ 4 ]}
• 人事上の相違^{[ 1 ]}
• 実験が行われた時間帯^{[ 4 ]}
• 大気中のオゾン濃度^{[ 4 ]}
• 実験に使用した機器

ハイスループット実験におけるバッチ効果を補正するために、さまざまな統計的手法が開発されてきました。これらの手法は、実験計画とデータ解析の段階で使用することを目的としています。歴史的には、主にゲノミクス実験に焦点を当ててきましたが、最近になってプロテオミクスなどの他の科学分野にも拡大し始めました。^{[ 5 ]}このような手法に関連する問題の1つは、意図せず実際の生物学的変動を除去してしまう可能性があることです。^{[ 6 ]}バッチ効果を検出および/または補正するために使用されてきた手法には、次のものがあります。

• マイクロアレイデータの場合、交絡因子をランダム切片として含めた線形混合モデルが使用されている。^{[ 7 ]}
• 2007年、Johnsonらはバッチ効果を補正するための経験的ベイズ法を提案した。このアプローチは、小さなバッチサイズでも効果的に使用できるという点で、従来の方法よりも優れている。^{[ 4 ]}
• 2012年にsvaソフトウェアパッケージが導入されました。このパッケージには、バッチ効果を調整するための複数の機能が含まれており、その中には、ハイスループット実験における再現性の向上と依存性の低減に効果があることが以前から示されていた代理変数推定法も含まれています。
• Haghverdi ら (2018) は、データ内の相互の最近傍を検出することに基づく、シングルセル RNA-seq データ用に設計された技術を提案した。 ^{[ 2 ]}
• Papiezら（2019）は、高スループットデータにおける未知の値のバッチ効果を特定するための動的計画法アルゴリズムを提案した。 ^{[ 8 ]}
• Voßら（2022）は、欠損値を適切に処理しながら独立したプロテオミクスデータセット間でデータを調和させるHarmonizRと呼ばれるアルゴリズムを提案した。^{[ 9 ]}