Batch effects en scRNA-seq : quand la correction bioinformatique ne suffit plus

Introduction

Chaque semaine, une équipe publie un résultat single-cell qui est en réalité un artefact de batch. La correction semble convaincante sur le UMAP. Les clusters sont propres et bien séparés. Le reviewer n'a rien vu. Les auteurs non plus.

Ce n'est pas un cas de figure rare. C'est l'un des angles morts de la transcriptomique single-cell, et l'un des moins discutés, précisément parce que le résultat a l'air correct.

Harmony, Seurat, ComBat, scVI… Les outils de correction de batch effects sont devenus une étape quasi automatique dans les pipelines d'analyse scRNA-seq. Ils sont puissants, bien benchmarkés, et dans de nombreuses situations, très efficaces. Mais ils partagent une limitation fondamentale qu'aucun talent technique ne peut surmonter : aucun algorithme ne peut sauver un design expérimental défaillant. Lorsque les sources de variation techniques et biologiques sont parfaitement confondues, la séparation n'est plus seulement bioinformatiquement difficile, elle devient mathématiquement impossible.

Comprendre où se situe cette frontière n'est pas un détail technique mineur. Cela détermine ce que vous pouvez, ou ne pouvez pas, conclure à partir de vos données.

Qu'est-ce qu'un effet batch en scRNA-seq ?

Un effet batch correspond à une variation systématique d'origine technique qui affecte les mesures d'expression génique entre groupes d'échantillons traités dans des conditions différentes.

Les sources les plus fréquentes incluent :

• Dissociation tissulaire — enzymes, durée d'incubation, température
• Capture cellulaire — plateforme, lot de réactifs, opérateur
• Préparation des librairies — lot d'enzymes de reverse transcription, cycles PCR
• Séquençage — flowcell, lane, profondeur de séquençage

Contrairement au bulk RNA-seq, le scRNA-seq présente deux difficultés supplémentaires :

• La composition en types cellulaires peut varier entre batches
• Le dropout stochastique introduit un bruit cellulaire important qui peut amplifier les différences techniques

L'existence d'un effet batch n'est pas problématique en soi. C'est un phénomène technique presque inévitable, et il existe des outils robustes pour le gérer. Le problème survient lorsqu'il devient inséparable du signal biologique d'intérêt.

Prenons un scénario réaliste : des biopsies tumorales, qui sont fragiles, sont dissociées 30 minutes plus rapidement que les tissus normaux appariés pour limiter la nécrose. Chaque cellule tumorale porte désormais une signature de stress différentielle par rapport aux contrôles. Après Harmony, le UMAP est propre. Mais des gènes de réponse au stress comme HSPA1A, JUN, FOS voient maintenant leurs expressions associées à ces tumeurs. Ils apparaîtront dans le tableau d'expression différentielle. Ils figureront dans l'article. Ils seront cités.

Ce n'est pas un cas hypothétique. Des variantes de ce scénario sont apparues à de nombreuses reprises dans la littérature. Et ce biais peut rester longtemps caché.

Panorama des méthodes de correction

Le champ des méthodes de correction de l'effet batch en scRNA-seq a considérablement mûri au cours de la dernière décennie. Ces méthodes opèrent à différents niveaux de l'analyse et reposent sur des hypothèses distinctes. Comprendre ces différences est essentiel à la fois pour choisir l'approche appropriée et pour reconnaître quand aucune ne suffira.

Les benchmarks tels que scIB (Luecken et al., 2022, Nature Methods) montrent qu'aucune méthode n'est universellement optimale. Harmony et Seurat se distinguent pour les intégrations simples, tandis que scVI et scANVI sont préférés pour les intégrations complexes multi-études.

Le meilleur choix dépend de plusieurs facteurs : la nature de l'effet batch, la taille du dataset, le type de sortie requise (embedding vs. matrice corrigée) et la question biologique posée.

Les limites fondamentales de la correction

Toutes les méthodes de correction partagent une hypothèse clé : la variabilité biologique et la variabilité technique doivent être statistiquement séparables. Lorsque batch et biologie sont parfaitement corrélés, aucune correction fiable n'est possible.

En pratique, nous rencontrons cette limitation fréquemment, et elle a généralement moins à voir avec le choix de l'algorithme qu'avec des décisions prises des mois plus tôt à la paillasse.

Le confounding : quand batch = biologie

Prenons un exemple simple :

• Cellules contrôle préparées le lundi (batch 1)
• Cellules traitées préparées le mardi (batch 2)

Dans ce cas :

• Ne pas corriger laisse un biais technique dans les résultats
• Corriger risque de supprimer le signal biologique d'intérêt

Les deux options sont décevantes. Il n'existe pas de troisième option qui fait disparaître le problème.

Ce constat a été formalisé par Song et al. (2020, Nature Communications), qui ont démontré que dans un design totalement confounded, aucune méthode ne peut séparer correctement les effets batch des effets biologiques. Ils ont également montré que certaines stratégies expérimentales, comme le reference panel design ou le chain-type design, permettent une correction valide précisément parce qu'elles brisent la corrélation parfaite entre batch et biologie.

L'intuition mathématique est directe : un modèle linéaire ne peut pas estimer simultanément deux variables parfaitement colinéaires. Ce que font les algorithmes dans ces situations n'est pas de la correction, c'est une partition arbitraire de la variance entre deux sources qu'on ne peut distinguer.

La sur-correction : quand la biologie disparaît

Le problème inverse est la sur-correction.

Des travaux récents ont montré que de nombreuses méthodes de correction peuvent altérer les données au-delà du nécessaire. Une correction excessive peut :

• Faire disparaître des gènes marqueurs connus
• Fusionner des populations cellulaires biologiquement distinctes
• Réduire artificiellement le nombre de gènes différentiellement exprimés

Certaines méthodes semblent plus résistantes à la sur-correction que d'autres. Harmony, par exemple, opère localement dans l'espace PCA et tend à préserver la structure globale. Les approches génératives profondes comme scVI sont plus expressives, ce qui est à la fois leur force et leur risque.

Le problème est que la sur-correction passe souvent inaperçue. Après correction, un UMAP qui semble biologiquement cohérent ne garantit nullement que la matrice d'expression sous-jacente reflète encore la biologie réelle. De nouveaux cadres d'évaluation comme RBET (Ye et al., 2025, Communications Biology) tentent de quantifier cela à l'aide de sets de gènes de référence, mais ces outils ne sont pas encore largement intégrés dans les pipelines standards.

Et les foundation models ?

L'émergence des foundation models single-cell (scGPT, Geneformer, Universal Cell Embeddings) a suscité l'espoir d'apprendre des représentations universelles capables de dépasser les batch effects. Le postulat est séduisant : entraîner des modèles sur des millions de cellules à travers des centaines d'études pour lui apprendra à encoder les types cellulaires dans un espace où la variation technique devient sans importance.

En pratique, le résultat reste encore imparfait. Lorsqu'on examine les représentations latentes de ces modèles, la structure de batch reste souvent visible, parfois atténuée, rarement éliminée. La raison n'est pas un défaut d'architecture. C'est un problème plus fondamental : les batch effects sont encodés dans les données d'entraînement elles-mêmes. Un modèle entraîné sur des données où « tumeur » et « réponse au stress élevée » co-occurrent ne peut pas apprendre à les dissocier, quel que soit son nombre de paramètres.

L'intégration d'objectifs de correction de batch directement dans l'entraînement des modèles est un domaine de recherche actif. Les résultats sont prometteurs mais préliminaires. Pour l'instant, les foundation models sont des outils puissants pour l'annotation cellulaire et la comparaison inter-études, mais ils n'éliminent pas le besoin d'un design expérimental rigoureux, et ils ne résolvent pas les confounded designs.

Le peer review ne détecte pas ce problème

Les reviewers voient typiquement le UMAP final, les annotations de clusters et les tableaux d'expression différentielle. Ils voient rarement la matrice de design expérimental (le tableau qui révélerait si une condition biologique n'apparaît que dans un seul batch). Les métriques d'intégration comme kBET ou LISI ne sont toujours pas rapportées systématiquement dans les publications. Et un dataset confounded bien corrigé peut produire des métriques parfaitement acceptables.

Des études avec des confounded designs peuvent passer le peer review, produire des visualisations propres et générer des résultats cités, tout en rapportant ce qui est un artefact technique. C'est un problème structurel dans la manière dont les résultats single-cell sont parfois évalués et rapportés.

Le design expérimental : première ligne de défense

Le meilleur moment pour gérer un batch effect, c'est avant qu'il n'existe.

Un design expérimental rigoureux est incomparablement plus efficace que n'importe quelle correction computationnelle appliquée a posteriori. Et de manière cruciale, les décisions clés se prennent avant le séquençage.

Bonnes pratiques au laboratoire

Plusieurs stratégies permettent de minimiser les batch effects lors de la préparation expérimentale :

• Traiter tous les échantillons dans des conditions expérimentales identiques (même opérateur, mêmes lots de réactifs, même équipement, même timing)
• Randomiser le placement des échantillons sur les cellules de capture
• Utiliser des approches de multiplexing pour pooler des échantillons biologiquement différents dans un même run technique

Les designs qui permettent la correction

Quand le multiplexing n'est pas possible, deux stratégies expérimentales ont été formellement démontrées comme permettant une correction valide.

Le reference panel design inclut un échantillon de référence commun dans chaque batch. Cet ancrage partagé permet l'estimation et la soustraction des effets batch car il fournit un signal biologique qui devrait être identique d'un batch à l'autre, toute différence est par définition technique.

Le chain-type design s'assure qu'au moins une population cellulaire ou un échantillon est partagé entre des batches consécutifs, créant une chaîne de ponts biologiques à travers l'expérience.

Les deux stratégies reposent sur le même principe fondamental : chaque batch doit partager au moins un composant biologique avec un autre batch afin que les algorithmes puissent distinguer la variation technique de la variation biologique.

Diagnostiquer un effet batch irrécupérable

Comment déterminer si un effet batch est au-delà de ce que la correction peut résoudre ?

Avant toute correction

Commencez par examiner la PCA ou le UMAP coloré par batch. Si les cellules se regroupent principalement par batch plutôt que par catégories biologiques attendues, c'est un signal d'alerte initial, mais pas nécessairement irrécupérable.

Le diagnostic critique est le tableau de contingence batch versus condition biologique. Si une case de ce tableau est à zéro (une condition qui n'apparaît que dans un seul batch), vous avez au minimum un design partiellement confounded. Si chaque condition n'apparaît que dans un seul batch, le design est totalement confounded et la correction bioinformatique ne peut pas aider efficacement.

Après correction

Même lorsque la correction semble réussie, une validation minutieuse est nécessaire. Un UMAP propre après intégration n'est pas la preuve d'une correction réussie, c'est la preuve que l'algorithme a convergé. Ce n'est pas la même chose.

Vérifiez que les gènes marqueurs connus restent correctement exprimés dans les populations attendues. Comparez les analyses d'expression différentielle réalisées avec et sans correction. Une forte réduction du nombre de gènes DE après correction devrait éveiller les soupçons : êtes-vous en train de supprimer du bruit, ou du signal ?

Les métriques quantitatives peuvent aussi aider :

• kBET — k-nearest-neighbor Batch Effect Test
• LISI — Local Inverse Simpson's Index
• ASW — Average Silhouette Width
• ARI — Adjusted Rand Index

Utilisez ces métriques, mais interprétez-les avec précaution. Elles mesurent le mélange des batches, pas la préservation biologique.

Signaux d'alerte de sur-correction

Les signaux d'alarme typiques incluent :

• Des gènes ribosomaux ou mitochondriaux dominant les marqueurs de cluster
• Des populations biologiquement distinctes fusionnant dans l'embedding corrigé
• Des sous-populations rares attendues disparaissant après correction
• Une forte diminution du nombre de gènes différentiellement exprimés
• Des gènes marqueurs de contrôle positif connus perdant leur spécificité cellulaire

Checklist avant de lancer votre analyse

Au stade du design expérimental

• S'assurer de l'absence de confounding entre batch et variable biologique d'intérêt
• Inclure un échantillon de référence dans chaque batch si le multiplexing n'est pas possible
• Standardiser les protocoles (opérateur, réactifs, timing) et documenter les déviations
• Enregistrer soigneusement toutes les métadonnées techniques — lots de réactifs, durées de dissociation, opérateurs, cellules de capture

Au stade de l'analyse

• Visualiser les données avant correction (PCA/UMAP coloré par batch et par condition)
• Construire et examiner le tableau de contingence batch × condition
• Essayer Harmony comme méthode d'intégration rapide en première intention
• Évaluer les résultats à l'aide de métriques quantitatives (kBET, LISI, ARI)
• Valider les gènes marqueurs canoniques connus avant et après correction
• Si nécessaire, tester scVI ou Seurat en alternatives
• Quand la composition cellulaire diffère fortement entre batches, envisager scANVI si des annotations fiables sont disponibles

Quand la correction échoue

• Accepter le diagnostic — éviter de forcer des corrections qui effacent le signal pour produire un UMAP plus propre
• Reformuler les questions biologiques en fonction des limitations du dataset (ex. analyses intra-batch, analyses restreintes aux populations partagées)
• Si scientifiquement justifié, envisager de refaire l'expérience avec un design amélioré
• Documenter la limitation de manière transparente dans toute publication

Conclusion

Les méthodes modernes de correction de batch effects sont puissantes, mais elles reposent sur une hypothèse critique : la biologie et la variation technique doivent être distinguables. Quand le design expérimental est totalement confounded, aucune méthode bioinformatique ne peut récupérer l'information perdue. L'algorithme tournera quand même. Le UMAP sera toujours propre. Les résultats seront toujours publiables.

C'est précisément ce qui rend ce problème dangereux.

Si vous planifiez une expérience, le tableau de contingence est le pérequis à tout collecte de cellule. Si vous analysez des données existantes, un diagnostic rigoureux clarifiera au moins ce que le dataset peut, et ne peut pas, révéler de manière fiable. La réponse honnête à cette question a plus de valeur qu'une figure soignée construite sur un design irrécupérable.