tooluniverse-multi-omics-integration

多组学整合

协调并整合多个组学数据集，开展全面的系统生物学分析。编排专用的 ToolUniverse 技能，执行跨组学相关性分析、多组学聚类、通路层面整合和统一解读。

---

领域推理

多组学整合旨在判断不同分子层是否呈现一致的结果。如果某个基因在 RNA-seq 中上调，并且其蛋白质在蛋白质组学中也升高，就构成了生物学变化确实发生的相互印证证据。结果不一致——例如 mRNA 水平高但蛋白质水平低，或蛋白质水平升高却没有相应的 mRNA 变化——可能表明存在转录后调控（miRNA 沉默、蛋白质降解、翻译调控），这本身也是值得报告的重要发现。并非所有不一致都是噪声；有些恰恰是最有趣的生物学现象。

查证，不要猜测

• RNA-蛋白质相关性的预期范围：根据实际数据计算 Spearman r；典型范围（0.4-0.6）仅供参考，并非保证值。
• 通路富集结果：对实际基因列表运行 ReactomeAnalysis_pathway_enrichment 或 gseapy；切勿凭记忆列出富集通路。
• eQTL 关联：针对特定变异和组织查询 GTEx 或 eQTL 数据库；不要假设调控关系。
• 特定位点的甲基化-表达方向性：获取实验数据；启动子抑制是经典模型，但也存在例外。

---

何时使用此技能

• 用户拥有多个组学数据集（RNA-seq + 蛋白质组学、甲基化 + 表达等）
• 跨组学相关性查询（例如：“甲基化如何影响表达？”）
• 多组学生物标志物发现或患者分型
• 需要分析多个分子层的系统生物学问题
• 使用患者多组学数据的精准医疗应用

---

工作流概览

Phase 1: Data Loading & QC
  Load each omics type, format-specific QC, normalize
  Supported: RNA-seq, proteomics, methylation, CNV/SNV, metabolomics

Phase 2: Sample Matching
  Harmonize sample IDs, find common samples, handle missing omics

Phase 3: Feature Mapping
  Map features to common gene-level identifiers
  CpG->gene (promoter), CNV->gene, metabolite->enzyme

Phase 4: Cross-Omics Correlation
  RNA vs Protein (translation efficiency)
  Methylation vs Expression (epigenetic regulation)
  CNV vs Expression (dosage effect)
  eQTL variants vs Expression (genetic regulation)

Phase 5: Multi-Omics Clustering
  MOFA+, NMF, SNF for patient subtyping

Phase 6: Pathway-Level Integration
  Aggregate omics evidence at pathway level
  Score pathway dysregulation with combined evidence

Phase 7: Biomarker Discovery
  Feature selection across omics, multi-omics classification

Phase 8: Integrated Report
  Summary, correlations, clusters, pathways, biomarkers

参见：phase_details.md，了解完整代码和实现细节。

---

支持的数据类型

组学	格式	质量控制重点
转录组学	CSV/TSV、HDF5、h5ad	低计数过滤、标准化（TPM/DESeq2）、对数转换
蛋白质组学	MaxQuant、Spectronaut、DIA-NN	缺失值填补、中位数/分位数标准化
甲基化	IDAT、beta 矩阵	失败探针、批次校正、交叉反应过滤
基因组学	VCF、SEG（CNV）	变异质控、CNV 分段
代谢组学	峰表	缺失值、标准化

---

核心操作

样本匹配

def match_samples_across_omics(omics_data_dict):
    """Match samples across multiple omics datasets."""
    sample_ids = {k: set(df.columns) for k, df in omics_data_dict.items()}
    common_samples = set.intersection(*sample_ids.values())
    matched_data = {k: df[sorted(common_samples)] for k, df in omics_data_dict.items()}
    return sorted(common_samples), matched_data

跨组学相关性分析

from scipy.stats import spearmanr, pearsonr

# RNA vs Protein: expect positive r ~ 0.4-0.6
# Methylation vs Expression: expect negative r (promoter repression)
# CNV vs Expression: expect positive r (dosage effect)

for gene in common_genes:
    r, p = spearmanr(rna[gene], protein[gene])

通路整合

# Score pathway dysregulation using combined evidence from all omics
# Aggregate per-gene evidence, then per-pathway
pathway_score = mean(abs(rna_fc) + abs(protein_fc) + abs(meth_diff) + abs(cnv))

参见：phase_details.md，了解每项操作的完整实现。

---

多组学聚类方法

方法	描述	最适用于
MOFA+	解释跨组学变异的潜在因子	识别共有/组学特异性驱动因素
Joint NMF	跨组学共享分解	发现患者亚型
SNF	相似性网络融合	整合异构数据类型

---

ToolUniverse 技能协调

技能	用途	阶段
tooluniverse-rnaseq-deseq2	RNA-seq 分析	1, 4
tooluniverse-epigenomics	甲基化、ChIP-seq	1, 4
tooluniverse-variant-analysis	CNV/SNV 处理	1, 3, 4
tooluniverse-protein-interactions	蛋白质网络背景	6
tooluniverse-gene-enrichment	通路富集	6
tooluniverse-expression-data-retrieval	公共数据检索	1
tooluniverse-target-research	基因/蛋白质注释	3, 8

---

使用场景

癌症多组学

整合 TCGA RNA-seq + 蛋白质组学 + 甲基化 + CNV，以识别患者亚型、跨组学驱动基因和多组学生物标志物。

eQTL + 表达 + 甲基化

识别 SNP -> 甲基化 -> 表达调控链（中介分析）。

药物反应多组学

使用基线多组学特征预测药物反应；识别耐药／敏感通路。

详见：phase_details.md 中的 “使用场景”，了解详细的分步工作流。

---

量化最低要求

组件	要求
组学类型	至少 2 个数据集
共同样本	各组学至少有 10 个共同样本
交叉相关性	计算 Pearson／Spearman 相关性
聚类	至少使用一种方法（MOFA+、NMF 或 SNF）
通路整合	使用多组学证据评分进行富集分析
报告	摘要、相关性、聚类、通路、生物标志物

---

局限性

• 样本量：建议 n >= 20 用于整合分析
• 缺失数据：若并非所有样本都具备所有组学数据，则采用成对整合
• 批次效应：不同平台需要谨慎进行标准化
• 计算资源：大型数据集可能需要大量内存
• 结果解读：结果需要领域专业知识进行验证

---

参考资料

• MOFA+：https://doi.org/10.1186/s13059-020-02015-1
• 相似性网络融合：https://doi.org/10.1038/nmeth.2810
• 多组学综述：https://doi.org/10.1038/s41576-019-0093-7
• 有关组学特定方法，请参阅各个 ToolUniverse 技能文档

---

详细参考

• phase_details.md - 包含所有阶段的完整代码、相关性函数、聚类、通路整合、生物标志物发现、报告模板和详细使用场景