我正在分析一个 RNA-seq 数据集，其中人类细胞系已暴露于多剂量的多种化合物中。在运行 QC 时，我注意到由于处理细胞的板不同而存在批次效应（不是很强，但想解释它）。我已经使用了 limma 包中的 ComBat 和 removeBatchEffect 来查看这两种方法中的任何一种在删除批次方面是否更好，但正如您从每个标准化步骤的控制样本上获得的 PCA 中看到的那样（原始数据、vst、 ComBat 和 Limma）似乎使用这两种方法中的任何一种都会增加批次分离。
不同标准化步骤中对照样本的 PCA 以突出批次效应：
我的感觉是，我在指定函数的参数时可能犯了一个错误，但是在查看 StackOverflow 上的类似请求时，我得到了这段代码。我用于生成运行 PCA 的不同规范化数据集的代码是：
raw data: raw<-counts(dds, normalized = TRUE)
vst: vst_counts<-vst(dds, blind=TRUE)
ComBat: com<-ComBat(assay(vst_counts),hash$Plate, mod = model.matrix(~1, data = hash))
Limma: lim<-removeBatchEffect(assay(vst_counts),hash$Plate,design=model.matrix(~hash$group))
原始数据和 vst 数据来自 DESeq。哈希对象是我的元数据文件，其中包含有关板块（批次）和处理条件（组）的信息。
运行 PCA（针对单个数据集）的代码是：
ggplot(df_lim) + geom_point(aes(x=PC1, y=PC2, color = Plate),size=3) +
xlab(paste("PC1 (",summary(pca_lim)$importance[2,1]*100,"%)")) +
ylab(paste("PC2 (",summary(pca_lim)$importance[2,2]*100,"%)")) +theme_bw() +
coord_fixed()
非常感谢您在此处解决此问题的任何帮助。