Batch Etkisi (Batch Effect)

Alternatif adlar: Batch effect, parti etkisi, teknik varyasyon, sistematik yanlılık

Kısa Tanım

Batch etkisi, farklı deneysel koşullarda (farklı gün, laboratuvar, cihaz, reaktif lotu vb.) üretilen veri grupları arasında biyolojik değil teknik kaynaklı sistematik farklılıkların ortaya çıkması durumudur. Bu yapay varyasyon, biyolojik sinyali maskeleyebilir veya sahte örüntüler yaratarak istatistiksel analizleri ve makine öğrenmesi modellerini yanıltır.

Teknik Mantık

Batch etkisi, ölçüm sürecindeki kontrol edilemeyen değişkenlerden kaynaklanır: reaktif konsantrasyonu farklılıkları, hibridizasyon sıcaklık sapmaları, operatör farklılıkları, cihaz kalibrasyonu vb. PCA veya t-SNE görselleştirmelerinde örneklerin biyolojik gruplara değil batch'lere göre kümelenmesi tanısal bir göstergedir. Düzeltme yöntemleri: (1) ComBat; ampirik Bayes çerçevesiyle batch parametrelerini tahmin edip çıkarır. (2) SVA (Surrogate Variable Analysis); bilinmeyen gizli değişkenleri tespit eder. (3) Limma'nın removeBatchEffect fonksiyonu; doğrusal model tabanlı düzeltme sağlar. (4) Harmony ve MNN; tek hücre verilerinde batch entegrasyonu yapar. Deneysel tasarımda batch'ler arasında örneklerin dengeli dağıtılması (blocking/randomization) en etkili önleme stratejisidir.

Kullanım Bağlamı

Çok merkezli çalışmalar, zaman içinde toplanan veri setleri, farklı platformlardan gelen verilerin birleştirilmesi ve meta-analiz senaryolarında batch etkisi kontrolu genellikle gerekir. Düzeltme, normalizasyondan sonra ve diferansiyel analiz veya model eğitiminden önce uygulanir. Düzeltmenin biyolojik varyasyonu silip silmediği ayrica kontrol edilmelidir.

Tarımsal Bağlam

Tarımsal genomik ve transkriptomik çalışmalarda batch etkisi sıklıkla karşılaşılır. Farklı tarla sezonlarında toplanan yaprak RNA örneklerinin sekanslanması, farklı laboratuvarlardaki toprak mikrobiyom analizleri ve çok lokasyonlu genotip-fenotip çalışmaları tipik örneklerdir. Ayrıca NIR/FTIR spektroskopisi ile kalite analizinde farklı günlerde veya cihazlarda alınan spektrumlar arasındaki batch etkisi kemometrik modellerin transferini engeller. Fenotipleme platformlarında farklı kamera veya aydınlatma koşullarından kaynaklanan görüntü düzeyinde batch etkileri de derin öğrenme modellerinin genellenebilirliğini azaltır.

Sık Karıştırılan Nokta

Batch etkisinin basit normalizasyon (quantile, z-score) ile tamamen giderilebileceği düşünülür; oysa normalizasyon genel dağılım farklılıklarını düzeltirken batch'e özgü gen veya öznitelik düzeyindeki sistematik kaymaları çözmeyebilir. ComBat gibi yöntemler bu düzeyde çalışır. Bir diğer hata, batch değişkeninin biyolojik değişkenle tam örtüşmesidir (confounding); bu durumda istatistiksel düzeltme oldukca sinirli kalabilir ve deneysel tasarımın yeniden gözden geçirilmesi gerekir.

Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği