多组学整合策略

快速概览

多组学整合不是简单把多个矩阵拼起来，而是要先想清楚数据来源、分析目标和组学特性，再选择合适的整合策略。早期、中期和后期整合各有适用场景，没有万能方案。

• 整合前必须先明确：数据是否匹配、目标是什么、组学特性差异有多大
• 早期整合简单但受尺度差异和缺失值限制，后期整合解释清晰但跨组学交互利用不足
• 现代方法多采用中期整合（先学低维表示再整合），但也要根据具体问题选择

前置知识

• 整合算法概览
• 批次效应与数据协调
• 概率模型基础

所属板块 分析方向与案例

把基础对象与算法方法重新放回真实分析任务与工作流。

阅读目标 帮助建立阅读上下文

先判断这页与你当前问题的关系，再决定是否深入展开。

建议前置 先建立相关基础对象与方法直觉

建议先建立相关基础对象与方法直觉，再进入本页。

问题定义

什么是多组学整合

多组学整合（Multi-Omics Integration） 是指同时分析来自不同生物学层次的数据（基因组、转录组、表观组、蛋白组、代谢组等），以获得比单一组学更全面的生物学理解。

多组学整合概念图：不同组学层次的数据通过共享表示空间实现信息融合

整合场景分类

场景类型	数据特点	典型案例
同一样本多组学	相同样本，多个组学层次	同一病人的 WGS + RNA-seq + 蛋白组
单细胞多组学	同一细胞，同时测多个模态	scRNA-seq + scATAC-seq (multiome)
队列级多组学	不同样本测不同组学	队列 A 测 RNA，队列 B 测甲基化
公共数据整合	跨研究、跨平台数据	整合 TCGA、GEO 等多个数据库

分析目标

目标类型	具体任务	典型输出
预测	多组学特征预测表型	分类器、风险评分模型
分群	识别疾病亚型或细胞状态	聚类标签、可视化嵌入
机制解释	因果推断与调控关系	调控网络、通路富集
特征发现	跨组学生物标志物	多组学特征列表

为什么重要

单一组学的局限性：

• 基因组：知道有什么变异，但不知道这些变异如何影响功能；
• 转录组：知道基因表达变化，但不知道是上游调控还是下游效应；
• 表观组：知道染色质状态，但不知道哪些转录因子在起作用；
• 蛋白组/代谢组：知道最终效应，但不知道上游机制。

多组学整合的价值在于：

• 互补性：不同组学提供不同视角的信息，可以相互验证和补充；
• 机制链条：从 DNA → RNA → 蛋白 → 表型的完整链条可以揭示因果关系；
• 提高鲁棒性：多个组学的证据比单一组学更稳定；
• 发现新机制：跨组学关联可能发现单一组学无法看到的模式。

任务目标

多组学整合通常要回答：

• 不同组学之间有哪些一致或冲突的模式？
• 哪些基因/通路在多个组学层次上都有信号？
• 如何利用多组学提高预测或分群性能？
• 不同组学层次之间的因果关系是什么？

输入输出

输入

• 多个组学数据矩阵（如基因型矩阵、表达矩阵、甲基化矩阵等）；
• 样本或细胞的匹配信息（哪些样本有哪种组学数据）；
• 样本表型或分组信息；
• 可选的先验知识（如通路、调控网络）。

输出

• 整合后的低维表示或特征；
• 跨组学关联或调控关系；
• 改进的预测模型或分群结果；
• 可视化的多组学模式。

核心整合策略

早期整合（Early Integration）

思想：直接把不同组学的特征拼接成一个大的特征矩阵，然后送入同一个模型。

优点：

• 实现简单；
• 模型可以直接看到跨组学交互；
• 适合组学之间特征维度差异不大的情况。

缺点：

• 不同组学的尺度、分布、噪声模式差异大，直接拼接可能导致某些组学主导模型；
• 缺失值处理困难（如果某些样本缺少某些组学）；
• 高维灾难（特征维度可能非常大）。

适用场景：

• 组学数量少（2-3 个）；
• 样本在所有组学上都有完整数据；
• 组学之间的特征维度和尺度相对接近。

中期整合（Intermediate Integration）

思想：先为每种组学学习一个低维表示（如用 PCA、autoencoder、矩阵分解），然后在共享的表示空间中整合。

优点：

• 可以处理不同组学的尺度和维度差异；
• 可以处理部分缺失的组学数据；
• 学习到的表示更有生物学可解释性；
• 现代多组学方法多采用这一思路。

缺点：

• 实现相对复杂；
• 需要选择合适的降维方法和整合方法；
• 降维可能丢失一些信息。

适用场景：

• 组学数量较多（3 个以上）；
• 样本在不同组学上有不同程度的缺失；
• 需要平衡不同组学的贡献。

常见方法：

• MOFA+：多组学因子分析，学习共享和组学特异因子；
• iCluster：基于联合矩阵分解的整合；
• Similarity Network Fusion (SNF)：构建每个组学的相似性网络，然后融合网络；
• 深度学习方法：如多组学 autoencoder、VAE 等。

后期整合（Late Integration）

思想：先分别分析每种组学，得到各自的结果（如差异基因、富集通路、预测模型），然后在结果层面整合证据。

优点：

• 每个组学可以用最适合的方法分析；
• 解释清晰，容易理解每个组学的贡献；
• 可以灵活地组合不同类型的结果。

缺点：

• 跨组学交互利用不足；
• 可能在早期就丢失了一些关联信号；
• 结果整合的规则可能比较主观。

适用场景：

• 不同组学需要完全不同的分析方法；
• 更关注结果解释而非预测性能；
• 组学之间关联较弱，各自独立分析更合理。

常见做法：

• 分别做差异分析，然后取交集或 union；
• 分别做富集分析，然后看哪些通路在多个组学中都显著；
• 分别训练预测模型，然后集成模型预测结果。

维度	早期整合	中期整合
核心操作	直接拼接特征矩阵	先学低维表示再整合
跨组学交互	模型可直接捕获	在共享空间中捕获
尺度差异	敏感——需仔细归一化	鲁棒——各组学独立编码
缺失数据	困难——拼接需要完整数据	可处理——各组学独立编码
计算复杂度	低（单模型）	中（多编码器+整合）
可解释性	依赖模型类型	较高（潜空间可解释）

案例研究

问题描述

研究背景：预测某种癌症患者的 5 年生存期。

数据配置：100 个病人，每个病人具有：

• WGS：约 400 万个 SNP
• RNA-seq：约 20,000 个基因表达值
• 蛋白组：约 5,000 个蛋白丰度

核心挑战：

• 样本量（100）远小于特征维度（400万+2万+5千）
• 蛋白组存在 15% 缺失值
• 特征维度差异巨大（WGS 是 RNA-seq 的 200 倍）

输入信息

• WGS：每个样本约 400 万个 SNP
• RNA-seq：每个样本约 20,000 个基因表达值
• 蛋白组：每个样本约 5,000 个蛋白丰度
• 目标：预测 5 年生存期（二分类：生存/死亡）
• 挑战：样本量（100）远小于特征维度（400万+2万+5千）

决策链条：选择整合策略

第一步：评估数据特性

组学	样本数	特征维度	缺失值	尺度差异
WGS	100	4,000,000	0%	0/1/2（离散）
RNA-seq	100	20,000	5%	log2 CPM（连续，范围大）
蛋白组	100	5,000	15%	log2 强度（连续）

关键观察：

• 特征维度差异巨大（WGS 是 RNA-seq 的 200 倍）
• 蛋白组有 15% 缺失值（某些蛋白在部分样本中未检测到）
• 尺度和分布完全不同（离散 vs 连续）

第二步：评估早期整合的可行性

如果直接拼接：

• 总特征数：4,025,000
• 样本/特征比：100/4,025,000 ≈ 1/40,250
• 问题：严重的高维灾难，模型会过拟合

尝试降维后再拼接：

• WGS: 4,000,000 → 50 PCA（保留 60% 方差）
• RNA-seq: 20,000 → 50 PCA（保留 75% 方差）
• 蛋白组: 5,000 → 50 PCA（保留 80% 方差）
• 拼接后：150 维特征

问题：WGS 的 PCA 主成分可能主要由群体结构（如 ancestry）驱动，而不是癌症相关的信号，这会引入噪声。

第三步：评估中期整合（MOFA+）

使用 MOFA+ 学习共享和组学特异因子：

• 输入：三个组学矩阵（各自标准化）
• 输出：10 个共享因子 + 每个组学 5 个特异因子
• 总共：25 个因子

优势：

• 自动处理缺失值（蛋白组的 15% 缺失）
• 平衡不同组学的贡献（不会因为 WGS 维度大就主导）
• 可以解释哪些因子是共享的、哪些是组学特异的

潜在问题：

• 需要调参（因子数量、稀疏性）
• 如果组学之间关联很弱，共享因子可能没有意义

第四步：评估后期整合

分别分析：

• WGS：识别 50 个高频驱动突变
• RNA-seq：识别 200 个差异表达基因
• 蛋白组：识别 80 个差异蛋白

整合方式：

• 取交集：找出在三个层次都变化的基因（假设 15 个）
• 用这 15 个基因的表达值构建预测模型

优势：

• 生物学解释清晰（每个基因都有明确的跨组学证据）
• 计算简单，易于实现

问题：

• 可能丢失重要信号（某个基因只在 RNA-seq 层面变化，但功能很重要）
• 交集可能太小（15 个基因），信息量不足

最终选择：中期整合（MOFA+）

决策依据：

1. 样本量限制：100 个样本无法支持高维模型，必须降维
2. 缺失值处理：蛋白组有 15% 缺失，MOFA+ 可以自然处理
3. 解释性需求：研究需要理解跨组学机制，MOFA+ 提供可解释的因子
4. 性能优先：预测目标是生存期，MOFA+ 通常比后期整合性能更好

具体实施步骤

# 伪代码
from mofax import MOFA

# 1. 数据预处理
wgs_data = standardize(wgs_matrix)  # 0/1/2 → z-score
rna_data = log_normalize_and_standardize(rna_matrix)
protein_data = log_normalize_and_standardize(protein_matrix)

# 2. 训练 MOFA+ 模型
model = MOFA(
    n_factors=25,  # 10 共享 + 5 组学特异 × 3
    likelihoods=['gaussian', 'gaussian', 'gaussian']
)
model.fit([wgs_data, rna_data, protein_data])

# 3. 提取因子
factors = model.get_factors()
shared_factors = factors[:, :10]  # 共享因子
wgs_specific = factors[:, 10:15]
rna_specific = factors[:, 15:20]
protein_specific = factors[:, 20:25]

# 4. 用共享因子预测生存期
X = shared_factors
y = survival_labels
model_survival = RandomForestClassifier()
model_survival.fit(X, y)

关键决策点说明

1. 为什么不用早期整合？

   • 特征维度差异太大（400万 vs 2万），直接拼接会导致 WGS 主导
   • 即使降维后拼接，WGS 的 PCA 可能捕捉群体结构而非疾病信号
   • 无法自然处理蛋白组的缺失值

2. 为什么不用后期整合？

   • 交集可能太小，丢失重要信号
   • 无法利用跨组学协同效应（某些基因在单一组学变化不大，但多组学组合有强信号）
   • 预测性能通常不如中期整合

3. 为什么选择 MOFA+ 而不是简单的 PCA 拼接？

   • MOFA+ 学习的是共享潜变量，而不是各自独立的 PCA
   • 可以自动处理缺失值
   • 可以区分共享因子和组学特异因子，解释性更好

对比：如果只用 RNA-seq

单用 RNA-seq 做生存期预测：

• 20,000 个基因 → 降维到 50 PCA
• 预测性能：AUC = 0.72

用 MOFA+ 整合三组学：

• 25 个因子
• 预测性能：AUC = 0.81

提升原因：

• WGS 提供了 DNA 层面的驱动突变信息
• 蛋白组提供了最终效应层面的信息
• 跨组学一致性增强了信号的可靠性

选择策略的关键问题

场景	推荐选择	原因
样本完全匹配、组学少、特征维度接近	早期整合	实现简单，模型可直接捕获跨组学交互
组学尺度差异大、部分样本有缺失	中期整合（MOFA+/SNF）	各组学独立编码，天然处理尺度和缺失问题
更关注结果解释而非预测性能	后期整合	每个组学独立分析，结果易解释
单细胞多模态数据（如 10x Multiome）	中期整合（WNN/MOFA+）	同一细胞的多模态数据适合在潜空间整合
队列级跨平台数据整合	中期整合 + 批次校正	先处理批次效应，再在共享空间整合

在开始整合前，需要先回答：

数据匹配性

• 样本是否匹配？（同一样本、同一细胞、同一病人？）
• 时间点是否一致？（不同时间点的数据可能反映不同状态）
• 技术平台是否可比？（不同批次、不同平台可能有系统偏差）

分析目标

• 是预测还是解释？
• 是分群还是回归？
• 是否需要因果关系？

组学特性

• 不同组学的噪声水平如何？
• 不同组学的维度差异多大？
• 缺失模式是什么？（完全随机缺失、还是系统性缺失？）

计算资源

• 数据量有多大？
• 是否需要实时预测？
• 可用的计算资源如何？

与真实工作流的连接

多组学整合不是孤立步骤，它依赖：

• 数据预处理：每个组学需要独立的质量控制和归一化；
• 批次校正：不同组学或不同批次之间的系统偏差需要校正；
• 特征选择：高维组学数据通常需要先降维或特征选择；
• 验证：整合结果需要在独立数据集上验证。

同时，它也是后续步骤的基础：

• 为机制研究提供候选基因或通路；
• 为临床预测提供更鲁棒的模型；
• 为实验设计提供多组学证据支持。

常见误区

• 组学越多越好：
• 不对。如果问题不清晰，更多数据只会增加噪声和计算负担。先明确科学问题，再决定需要哪些组学。
• 整合就是拼接矩阵：
• 不对。早期整合只是其中一种策略，而且往往不是最优的。需要根据数据特性和分析目标选择合适的策略。
• 所有组学都该强行映射到统一空间：
• 不对。有些时候后期整合更合理，特别是当不同组学需要完全不同的分析方法时。

参考资料

• Argelaguet et al., MOFA+: a statistical framework for comprehensive integration of multi-omics data (Nature Methods, 2020)
• Wang et al., Similarity network fusion for aggregating data types on a genomic scale (Nature Methods, 2014)
• Chaudhary et al., Deep learning-based multi-omics integration robustly predicts survival in liver cancer (Nature Communications, 2018)

批次效应与数据协调

整合前必须处理的技术偏差

延伸阅读

整合算法概览

具体整合算法的技术细节

延伸阅读

单细胞 Multiome

单细胞多模态整合的典型案例

延伸阅读

单细胞组学

单细胞分析基础

延伸阅读