多组学整合实践教程
单一组学常常回答不了完整问题。转录组看到 mRNA 变化，却不知道蛋白层面有没有跟着改变；表观组解释了染色质开放，却不直接告诉你哪些基因表达了；基因组变异落在了某个启动子上，也需要表达和修饰数据才能说明它的效应。多组学整合的目标不是把所有数据塞进一个矩阵，而是让每一层提供一段证据，共同支撑一个生物学判断。
本专栏讲如何把多层数据放进同一个分析框架：从样本匹配、特征对齐，到常用整合方法（相关、网络、因子模型、机器学习）的适用场景和取舍。
一个项目大致是什么样子
假设你手上有一个队列：50 个样本，每个样本都有转录组、甲基化和蛋白质组数据，外加临床表型（亚型、分期、生存时间）。从这里到"一个能解释某个亚型的多组学特征"，大致要走：
| 步骤 | 典型产物 | 常用工具 |
|---|---|---|
| 样本对齐 | 三层数据都能匹配到同一批样本 ID | R、dplyr |
| 各层预处理 | 归一化、特征筛选后的矩阵 | 各组学专属工具 |
| 特征对应 | 甲基化 ↔ 基因、蛋白 ↔ 基因的 映射 | biomaRt、org.Hs.eg.db |
| 相关性探索 | cis 相关、跨层相关图 | ggplot2、ComplexHeatmap |
| 整合建模 | 多组学因子 / 共识聚类 / 分类模型 | MOFA2、mixOmics、SNF |
| 模块解读 | 每个因子的生物学含义 | GSEA、文献查证 |
| 与表型关联 | 因子/模块 vs 表型 | 线性模型、生存分析 |
| 交付 | 图、表、方法段 | R Markdown、Quarto |
在"整合建模"这一步，常见做法分三类：
- 早期整合（early integration）：把各层特征拼成一个大矩阵，后续按单组学思路处理。简单，但容易被维度高的那一层主导。
- 中期整合（intermediate integration）：在模型层面同时考虑多组学，典型代表是 MOFA 和 mixOmics。
- 晚期整合（late integration）：各层独立分析，最后在结果层面汇总，比如合并 p 值或做共识聚类。
没有谁最好。样本少、特征差异大时 MOFA 更稳；样本充足、特征维度可比时早期整合也能跑通；目标是临床预测时机器学习整合（Random Forest、神经网络）更常见。
常见工具栈
| 阶段 | 工具 | 说明 |
|---|---|---|
| 数据载体 | MultiAssayExperiment、SummarizedExperiment | R / Bioconductor 标准容器 |
| 相关性与网络 | WGCNA、igraph | 模块识别和拓扑分析 |
| 多组学因子 | MOFA2、mixOmics | 最常用的中期整合 |
| 相似性网络 | SNFtool | 适合亚型发现 |
| 机器学习 | caret、tidymodels、scikit-learn | 分类/回归/预测模型 |
| 生存分析 | survival、survminer | Cox 回归、KM 曲线 |
| 可视化 | ComplexHeatmap、ggplot2、pheatmap | 多层 heatmap、associations 图 |
MOFA2 是个值得单独提的工具。它用概率矩阵分解识别"跨组学共同变异"的潜因子，对缺失值友好，对样本量小也能用，现在几乎是多组学整合教学的标配。
推荐公开数据集
多组学公开数据集数量不多，但下面几个足够做教学练习：
| 数据集 | 内容 | 适合 | 入口 |
|---|---|---|---|
| TCGA 泛癌 | 转录组 + 甲基化 + 变异 + 临床 | 整合分析、亚型发现 | GDC Portal |
| CPTAC | 蛋白组 + 转录组 + 基因组 | 蛋白-RNA 整合 | CPTAC |
| MOFA2 包示例（CLL） | 表达 + 甲基化 + 突变 + 药物响应 | MOFA 入门，200 个样本 | MOFA2 |
| TCGA + xCell 免疫组分 | 癌症转录组 + 免疫细胞组成推断 | 跨层相关分析 | GDC |
MOFA2 的 CLL 数据集特别适合教学：4 个组学层、200 个 样本，包里 load 进来就能跑。
最小可跑的例子
下面用 MOFA2 自带的 CLL 数据做一次最简单的整合分析，从加载数据到看出潜因子的生物学含义，不到 15 行代码：
if (!requireNamespace("BiocManager", quietly = TRUE)) install.packages("BiocManager")
BiocManager::install("MOFA2")
library(MOFA2)
# 载入示例数据：慢淋（CLL）多组学
file <- system.file("extdata", "CLL_data.hdf5", package = "MOFA2")
model <- load_model(file)
# 先看整体：每个组学在模型里的方差贡献
plot_variance_explained(model, x = "view", y = "factor")
# 看某个因子在各层数据上解释了多少方差
plot_variance_explained(model, max_r2 = 10)
# 某个因子上权重最高的特征（基因/甲基化位点等）
plot_top_weights(model, view = "mRNA", factor = 1, nfeatures = 10)
# 把因子得分投射到样本元信息上（比如亚型）
metadata <- samples_metadata(model)
head(metadata)
plot_variance_explained 会输出一张热图，每行是潜因子、每列是组学层。有些因子只在一层里有高贡献（组学特异），有些跨多层都有贡献（跨组学共同变异），后者通常更有生物学意义。
理解了这个例子，再去读 MOFA 论文或 CPTAC 的整合分析会容易很多。
专栏模块规划
| 模块 | 主题 | 状态 |
|---|---|---|
| 01 | 多组学项目设计与样本匹配 | 已上线 |
| 02 | 各组学数据清洗与特征对应 | 已上线 |
| 03 | 跨层相关性探索 | 已上线 |
| 04 | WGCNA 与共表达模块 | 已上线 |
| 05 | MOFA2 因子分析实战 | 已上线 |
| 06 | SNF 相似性网络与亚型识别 | 已上线 |
| 07 | 机器学习预测模型 | 已上线 |
| 08 | 整合结果的生物学解读与报告 | 已上线 |
所有 8 个模块已上线。Module 05 带可跑脚本和真实数据图。
推荐前置知识
多组学分析的每一层预处理都涉及该组学的专属知识，建议先熟悉至少两个单组学的流程再来做整合。
常见坑
坑 1：期望整合一定比单组学好
很多人认为"数据越多结论越好"，但如果某一层数据质量差或与研究问题无关，强行整合反而引入噪声。跑完整合模型后一定要和单组学结果做对照实验，看是否真的有提升。没有提升本身也是有价值的结论。
坑 2：把相关当因果
跨层相关性分析发现甲基化和表达负相关，不代表甲基化"导致"了沉默——两者可能同时受上游信号（如转录因子结合）驱动。需要因果推断时应考虑 Mendelian randomization 或 mediation analysis，而不是仅凭 Pearson r 下结论。
坑 3：忽略各层数据量级差异导致主导效应
早期整合（拼接矩阵）时，如果 RNA-seq 有 20000 个基因而蛋白组只有 3000 个，模型会被转录组主导。解决方案是在拼接前做特征数平衡（每层取 top N）或用中期整合方法（MOFA2、mixOmics）让各层权重自动学习。
坑 4：样本量不够就上复杂模型
MOFA2 建议至少 15 个配对样本，SNF 在 30 以下不稳定。10 个样本就想跑 multi-omics factor analysis，结果的因子不可复现。样本少时先做简单的 cis 相关和单基因多层验证，不要强上降维模型。
下一步
接着深入：
- 01 多组学项目设计与样本匹配 — 从实验设计角度理解整合的起点
- 05 MOFA2 因子分析实战 — 动手跑最常用的中期整合方法
横向延伸：
参考资源
离线资料下载
手册 HTML / PDF 已在后台预生成，点击后直接下载网站静态资源。