multi-omics-integration

多组学整合 — 推理技能

概述

引导 Agent 有原则地选择多组学整合策略、批次校正方法和富集分析方法。此技能编码的是决策框架，而非代码，旨在让 Agent 在生成任何工作流之前进行正确推理。

用法

• 在选择早期、中间或晚期整合策略时调用
• 用于跨组学层或样本部分重叠情况下的批次校正决策
• 在选择 MOFA+/iCluster/SNF 方法或规划多组学富集分析时启用

---

核心概念

响应格式

• 先给出直接建议或分类（≤3 句话）
• 按以下结构组织：建议 → 论证（引用具体标准/阈值）→ 注意事项
• 使用表格进行比较；使用项目符号列出标准
• 省略用户已经了解的背景信息——他们是在提问
• 目标长度：200-400 个词，除非用户要求详尽说明

此技能中的决策树和参数选择表仅供内部推理使用。使用它们来选择正确的整合策略，但不要在响应中复现完整的决策树。切勿叙述树的遍历过程，也不要展示在不同选项之间的思考过程。只呈现推荐方案及其依据。

1. 整合策略决策树

从上到下遵循此树。第一个匹配的叶节点即为推荐策略。

START
 ├─ Sample size per omic layer?
 │   ├─ n ≥ 200 AND full overlap across layers
 │   │   └─ → EARLY integration (Section 2)
 │   ├─ 50 ≤ n < 200 OR moderate overlap (≥70%)
 │   │   └─ → INTERMEDIATE integration (Section 3)
 │   └─ n < 50 OR low overlap (<70%) OR layers collected on different cohorts
 │       └─ → LATE integration (Section 4)
 └─ Special cases
     ├─ Only 2 layers, one is sparse (e.g., somatic mutations)
     │   └─ → INTERMEDIATE with kernel methods
     └─ Layers have very different dimensionality (e.g., 20k genes vs 500 metabolites)
         └─ → INTERMEDIATE with MOFA+ (handles heterogeneous dimensionality)

快速参考表

标准	早期	中间	晚期
最小样本量	≥200	≥50	任意
所需样本重叠度	完全（100%）	≥70%	不要求
处理缺失组学层	否	是（MOFA+）	是
可解释性	低（组合特征空间）	中（潜在因子）	高（按组学分别建模）
过拟合风险	高	中	低
最适合发现	是（可发现跨组学相互作用）	是	否
最适合预测	中等	良好	最适合小样本

---

2. 早期整合

定义

将所有组学层的特征矩阵拼接为一个矩阵，然后应用单一模型（聚类、分类、回归）。

适用情况

• 大型队列（n ≥ 200），且所有组学层均有完整的样本重叠。
• 目标是发现跨组学特征相互作用。
• 所有组学层均已单独完成 QC 和标准化。

关键步骤

1. 尺度标准化：拼接前必须对每个组学层单独进行缩放。 若不这样做，高方差的组学层会占据主导地位。

   • 转录组学：log2(CPM + 1) 或方差稳定变换（VST）。
   • 蛋白质组学：log2 强度值，并进行中位数中心化。
   • 甲基化组学：M 值（beta 值的 logit），而非原始 beta 值。
   • 代谢组学：对数变换、pareto 缩放或自动缩放。

2. 按组学层进行特征选择：拼接前，将每个组学层缩减为方差最高的特征，以避免维度灾难。

   • 转录组学：方差最高的 2,000–5,000 个基因。
   • 蛋白质组学：所有检测到的蛋白质（通常 <5,000）。
   • 代谢组学：QC 过滤后检测到的所有代谢物。

3. 区块加权：拼接后，可选地对区块加权，使每个组学层无论特征数量多少，贡献都相同。方法：block-PCA、DIABLO 区块权重。

常见错误

• 错误： 将原始计数与经过标准化的强度值跨层拼接 正确做法： 分别对每个组学层进行标准化（RNA 使用 log2-CPM，蛋白质组学使用 log2 强度值，甲基化使用 M 值），然后再拼接 原因： 混合不同尺度的数据会让未标准化的层主导方差，并扭曲所有下游分析

• 错误： 拼接前未去除批次效应 正确做法： 在合并前，分别对每个层应用批次校正（ComBat 或同等方法） 原因： 任一单独层中的批次效应都会传递到合并矩阵中，干扰整合

• 错误： 对拼接后的矩阵直接使用 PCA，未进行区块加权 正确做法： 应用 block-PCA 或 DIABLO 区块权重，使每个层的贡献相同，不受特征数量影响 原因： 特征最多的层会主导前几个主成分，从而掩盖较小层中的信号

---

3. 中间整合

定义

学习能够捕捉跨组学变异的共享潜在因子或核，然后使用这些因子进行下游分析。

方法

3a. MOFA+（多组学因子分析）

参数	指南
因子数量	从 15–25 个开始；MOFA+ 会自动剪除不活跃因子
似然函数	连续数据使用 Gaussian；计数数据使用 Poisson；二元数据使用 Bernoulli
收敛	默认容差（ELBO 变化 0.01%）通常已足够
缺失数据	MOFA+ 原生支持部分重叠数据，无需插补
分组	用于多站点或多批次数据；每个组都会学习组特异性权重

解读工作流：

1. 按各视图（组学层）的方差解释率对因子排序。
2. 能解释多个视图中方差的因子可捕捉共享生物学特征。
3. 能解释单个视图中方差的因子可捕捉组学特异性生物学特征。
4. 提取每个因子权重最高的特征，进行通路富集分析。

3b. iCluster / iCluster+

参数	指南
聚类数量（k）	使用 BIC 或间隙统计量；测试 k = 2 到 8
惩罚项（lambda）	通过交叉验证调优；lambda 越高，解越稀疏
数据类型	iCluster+ 支持每层使用 Gaussian、Binomial、Poisson
收敛	使用 EM 算法；大型数据集可能需要 100 次以上迭代

优先选择 iCluster 而非 MOFA+ 的情况：

• 主要目标是患者亚型划分（聚类），而非因子发现。
• 需要在模型中进行稀疏特征选择。

3c. 核方法（SNF、MKL）

• 相似性网络融合（SNF）： 构建各组学的患者相似性网络，并将其融合。 适用于异质数据类型。对超参数（K 个邻居、迭代次数）较为敏感。
• 多核学习（MKL）： 结合各组学的核，并通过学习确定权重。 适用于分类任务。

中间整合方法决策子树

Goal?
 ├─ Unsupervised factor discovery → MOFA+
 ├─ Patient subtyping with sparse features → iCluster+
 ├─ Patient subtyping, heterogeneous data → SNF
 └─ Supervised classification → MKL or DIABLO (mixOmics)

---

4. 后期整合

定义

针对每个组学层分别构建模型，然后通过集成方法组合预测结果。

适用情况

• 样本量较小（n < 50）。
• 各层采集自不同队列，且重叠样本极少。
• 需要可解释各组学的独立贡献。

组合策略

策略	说明	适用情况
简单平均	对预测概率取平均	基准方法；所有层的可信度相同
加权平均	根据各组学的交叉验证 AUC 加权	各层的预测能力不同
堆叠	基于各组学的预测结果训练元学习器	有足够样本构建留出的元训练集
排名聚合	合并特征排名列表（RRA、Stuart 方法）	用于特征选择，而非预测

常见错误

• 错误： 对逐组学模型和元学习器使用相同的样本进行训练 正确： 为元学习器留出单独的一组样本，或使用嵌套交叉验证 原因： 使用与逐组学模型相同的数据训练元学习器会导致数据泄漏，并高估性能

• 错误： 在求平均前不校准逐组学概率 正确： 在组合输出前，对每个逐组学模型的输出应用 Platt 缩放或等距回归 原因： 不同模型的未校准概率不在同一尺度上，因此求平均毫无意义

• 错误： 忽略后期整合无法发现跨组学相互作用这一事实 正确： 承认这一局限；如果跨组学相互作用是科学研究问题，则使用中期整合（MOFA+、DIABLO） 原因： 后期整合会独立处理每一层，因此无法发现各层之间的协同效应

---

5. 跨组学批次校正

决策框架

Is the batch variable confounded with biology (e.g., all cases from site A, all controls from site B)?
 ├─ YES → Batch correction WILL remove biology. Do NOT correct. Instead:
 │         - Include batch as covariate in downstream models.
 │         - Use mixed-effects models.
 │         - Report results stratified by batch.
 └─ NO → Proceed with correction.
         ├─ Continuous data (expression, methylation M-values, protein intensity)?
         │   ├─ Known batch variable → ComBat (parametric) or ComBat-seq (counts)
         │   └─ Unknown batch variable → SVA (surrogate variable analysis)
         └─ Count data (RNA-seq raw counts)?
             └─ ComBat-seq (preserves count distribution)

ComBat 参数

参数	指导
参数化与非参数化	参数化是默认选项，适用于大多数情况。如果批次效应不服从高斯分布（通过 QQ 图检查），则使用非参数化方法。
要保护的协变量	始终将感兴趣的生物学变量（例如，疾病状态、性别）作为协变量纳入。遗漏这些变量可能会移除真实的生物学信号。
参考批次	可选。如果某个批次是“金标准”（例如，样本量最大的站点），则将其设为参考批次。

批次校正后的验证

1. 按批次着色的 PCA/UMAP——各批次应相互混合。
2. 按生物学特征着色的 PCA/UMAP——生物学组别仍应彼此分开。
3. 按批次计算的轮廓系数应降低；按生物学特征计算的轮廓系数应保持稳定或提高。
4. 批次校正前后的差异表达结果在定性上应相似。

常见错误

• 错误： 对已通过其他方法完成批次校正的数据应用 ComBat 正确： 每个数据集只应用一种批次校正方法；如果要更换方法，应从未校正的数据开始 原因： 重复校正会引入人为的方差结构，并可能移除真实的生物学信号

• 错误： 使用不同的批次定义校正各组学层 正确： 在所有组学层中使用一致的批次标签（对所有层使用相同的批次变量） 原因： 不一致的批次定义会导致校正不对齐，从而引入虚假的跨组学相关性

• 错误： 对包含测试样本的完整数据集运行 ComBat 正确： 仅使用训练样本拟合 ComBat 参数，然后将学得的校正应用于测试样本 原因： 将测试样本纳入批次校正会泄漏信息，并高估机器学习性能

---

6. 处理样本重叠不完全的情况

当并非所有样本都在所有组学层中完成测量时：

决策框架

重叠比例	策略
≥90%	删除未重叠的样本；使用完整案例继续分析
70–90%	使用 MOFA+（原生支持缺失视图），或使用 KNN/MICE 进行插补
50–70%	优先采用后期整合；或谨慎验证后使用 MOFA+
<50%	仅采用后期整合；切勿尝试联合因子分解

插补注意事项

• 当缺失率低于 10% 时，可接受在同一层内跨样本进行 KNN 插补。
• 跨组学插补（根据一个组学层预测另一个组学层）仍处于试验阶段——需进行充分验证。
• 切勿插补某一层中超过 30% 的值；应改用后期整合。

---

7. 多组学特征集的富集分析方法

识别出多组学因子或特征集后，应从生物学角度对其进行解释：

方法选择

方法	输入	最适用场景
过度代表分析（ORA）	基因列表（经过阈值筛选）	快速初步分析；需要任意设定阈值
基因集富集分析（GSEA）	排序后的基因列表（包含所有基因）	无需设定阈值；可捕捉细微变化
多组学富集分析（ActivePathways）	多组学数据的 P 值	整合不同层级的证据
基于网络的方法（STRING、PCNA）	基因／蛋白质列表	查找物理／功能相互作用

基因集数据库

数据库	内容	使用场景
MSigDB Hallmark（H）	50 个经过整理的基因集	初步分析；广泛的生物学主题
MSigDB C2：CP（经典通路）	KEGG、Reactome、BioCarta	通路层面的解读
MSigDB C5（GO）	基因本体术语	生物过程、分子功能
MSigDB C6（致癌）	致癌特征	癌症研究
自定义基因集	疾病特异性或组织特异性	公共基因集无法满足需求时

常见错误

• **错误：**对单一组学层的基因列表运行 ORA，却声称这是“多组学”富集分析 **正确：**使用 ActivePathways 等多组学富集分析方法整合不同层级的 P 值，或基于整合后的因子载荷运行富集分析 **原因：**单层 ORA 无法利用多组学证据，却会将分析错误地描述为整合分析

• **错误：**基因集富集分析未进行多重检验校正（或使用 Bonferroni 校正） **正确：**对基因集检验应用 Benjamini-Hochberg FDR 校正 **原因：**对于相关基因集，Bonferroni 校正过于保守；不进行校正则会产生大量假阳性

• **错误：**未核实通路覆盖情况，就对非模式生物使用 KEGG 通路 **正确：**检查物种的通路注释覆盖率；如果 KEGG 覆盖率低于 50%，请使用 Reactome 或自定义基因集 **原因：**稀疏的通路注释会导致富集结果产生误导——缺少注释不代表缺少生物学现象

• **错误：**将整个基因组作为过度代表分析的背景集 **正确：**将 ORA 背景集（全集）设为实验中实际测量的所有基因／蛋白质 **原因：**使用整个基因组会夸大显著性，因为其中包含数千个在检测中从未能检出的基因

---

8. 报告清单

每项多组学整合分析都必须报告：

1. **数据描述：**每个层级的样本数、重叠矩阵、特征数量。
2. **归一化：**每个层级采用的方法及其依据。
3. **批次校正：**方法、受保护的协变量、验证图。
4. **整合策略：**早期／中期／晚期整合，并说明选择依据，参考样本量 和重叠情况。
5. **方法参数：**MOFA+、iCluster、SNF 等的所有非默认参数。
6. **验证：**稳定性分析（自助法或交叉验证）、与单组学基线的比较。
7. **富集分析：**方法、基因集数据库、FDR 阈值、显著条目数量。
8. **可复现性：**软件版本、随机种子、数据可用性。

---

不应使用此技能的情况

• 仅有一个组学层可用时（请改用单组学分析技能）
• 在缺乏疾病领域背景知识的情况下解读整合结果
• 各层级样本量相差超过 10 倍，且没有重叠策略时

何时向人类专家升级

• 整合后的特征将用于临床试验分层时
• 无法区分批次效应与生物学信号时
• 结果与该疾病领域中已确立的生物学知识相矛盾时

9. 需要指出的反模式

1. 错误： 未进行独立缩放就拼接组学层 正确： 拼接前独立缩放每个层（例如，进行 z-score 标准化或方差稳定化） 原因： 高方差层会主导所有下游分析，掩盖其他层的信号

2. 错误： 在模型中未纳入生物学协变量就运行 ComBat 正确： 始终将关注的生物学变量（疾病状态、性别）作为协变量纳入模型，以保护这些变量 原因： 如果没有受保护的协变量，ComBat 会在去除批次效应的同时去除真实的生物学信号

3. 错误： 对某个组学层中超过 30% 的缺失值进行插补 正确： 缺失比例超过 30% 时，使用后期整合而非插补 原因： 大量插补会引入无法反映生物学特征的人为结构，并扭曲因子分析结果

4. 错误： 使用少于 20 个样本运行 MOFA+ 正确： 对于样本量极小的情况，使用后期整合或简单的相关性分析 原因： MOFA+ 需要足够的样本才能稳定估计因子；样本数 <20 时，因子估计不可靠

5. 错误： 多因子分析中只报告排名最高的因子 正确： 报告在至少一个视图中解释 >5% 方差的所有因子 原因： 只报告排名最高的因子属于选择性报告；排名较低的因子中也可能存在重要的生物学信号

6. 错误： 不将多组学整合结果与单组学基线进行比较 正确： 始终运行单组学分析作为基线，并证明整合能够带来价值 原因： 如果没有基线比较，就无法评估整合是否确实优于表现最佳的单组学结果

7. 错误： 未进行直系同源映射就跨物种直接使用基因符号 正确： 使用合适的直系同源数据库（HGNC 直系同源预测比较、Ensembl Compara）进行跨物种映射 原因： 直系同源映射并非易事——许多基因没有 1:1 直系同源基因，而且符号重合并不意味着功能等效

---

10. 术语表

术语	定义
视图	MOFA+ 术语中，单个组学层（例如，转录组学、蛋白质组学）
因子	捕获共享变异或组学特异性变异的潜变量
区块	mixOmics/DIABLO 术语中，来自一个组学层的特征矩阵
核	根据一个组学层计算得到的相似性矩阵
RAF	风险调整因子（无关术语——参见风险调整技能）
ELBO	证据下界；MOFA+ 收敛指标
BIC	贝叶斯信息准则；用于在 iCluster 中选择 k