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：

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

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：

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

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

• bulk RNA-seq 实践教程
• 表观组学实践教程
• 蛋白质组学实践教程
• R 数据整理与 ggplot2 可视化

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：

• 蛋白质组学实践教程 — 整合中最常搭配的第二层组学
• 表观组学实践教程 — 甲基化数据的预处理和分析基础

参考资源

• MOFA2 官方教程
• mixOmics 文档
• SNFtool 说明
• MultiAssayExperiment Bioconductor
• TCGA GDC Portal
• CPTAC