1. 临床多组学数据整合工程导论
临床多组学数据整合工程，研究的不是某一种组学技术本身，而是如何把来自同一批患者、同一批样本的多层次分子信息，组织成一条可追溯、可计算、可解释、可交付临床使用的数据链路。它介于组学实验、生物信息分析与临床决策之间：上游承接样本与检测，下游服务分型、预后、用药与随访。理解这门课，关键是先看清"整合"到底在整合什么、为什么难、以及一条完整链路长什么样。
一、核心对象：四类组学数据各自回答什么问题
临床多组学通常以基因组、转录组、蛋白组、代谢组为主体，它们在信息层次、数据形态和临床含义上差异明显，这正是整合的必要性所在。
- 基因组（DNA）：回答"先天携带什么"。核心对象是胚系变异与体细胞突变，如SNV、插入缺失、拷贝数变异、结构变异、微卫星状态、肿瘤突变负荷。数据相对稳定，一次检测可长期复用，是分型与靶向用药的底层依据。
- 转录组（RNA）：回答"哪些基因正在被表达"。核心对象是表达矩阵、可变剪接、融合基因。它随组织类型、治疗和时间变化，是连接基因型与表型的中介层。
- 蛋白组：回答"真正执行功能的分子有多少"。核心对象是蛋白丰度、翻译后修饰、磷酸化位点。它与mRNA相关性常只有中等水平，因此不能由转录组简单替代。
- 代谢组：回答"代谢状态与通路活性如何"。核心对象是小分子代谢物浓度，直接反映酶活性与微环境，是表型最贴近的一层。
四层之间不是并列堆叠，而是存在方向性的信息流：DNA→RNA→蛋白→代谢物，越往下越接近表型，也越易受环境与时间影响。整合工程要做的，是在这条链上建立可对齐的坐标。
二、整合工程的目标
目标可以概括为四句话：同一患者可对齐、同一分子可追溯、同一结论可复现、同一结果可解释。具体落到工程上，包括：以患者为主键打通各层数据；统一样本、基因、蛋白、代谢物的标识体系；把原始信号到临床结论的每一步变换记录为可重放的流程；并让最终输出能被临床医生读懂，例如"该患者EGFR exon19缺失，建议靶向治疗"而不是一个无解释的聚类编号。
三、为什么难：五类典型挑战
异质性：同一肿瘤内不同区域、不同时间点的组学特征可能不同，单点活检未必代表全体。批次效应：不同测序批次、不同质谱平台、不同采集日期会引入系统性偏差，若不校正，整合结果可能主要反映"批次"而非"生物学"。尺度与量纲差异：突变是离散计数，表达是连续强度，代谢物是浓度，直接拼接会淹没弱信号。缺失与不平衡：临床上常出现"有基因组、无蛋白组"的患者，整合方法必须能处理不完整矩阵。可解释性与合规：临床决策要求因果清晰、责任可追溯，黑箱模型难以直接落地。
四、全链路框架：从样本到临床决策支持
下面这张图给出本节的核心框架。它按数据流方向组织，从样本采集出发，经检测、预处理、对齐、整合建模，最终到达临床决策支持，并在末端通过随访与验证回流，形成闭环。图中同时标出各环节的关键产物与主要风险点。
这条链路有三个容易被忽视的要点。第一，对齐发生在建模之前。如果患者主键、基因ID、样本时间点没有统一，后续任何融合算法都只是在错误坐标上做运算。第二，质控与批次校正不是可选项。临床样本常跨年度、跨平台采集，不校正批次，整合结果可能主要反映采集顺序。第三，闭环回流决定系统能否持续可用。模型输出必须与随访结局对照，才能判断阈值是否漂移、结论是否仍然成立。
五、一个最小可运行示例：把四层数据对齐到患者主键
下面用一段示意性代码说明"对齐"这一步在工程上具体做什么。示例数据为假设值，仅用于说明结构，不代表真实检测结果。
# 假设已有四张表，均以 patient_id 为主键
# genomic: patient_id, gene, mutation_type, vaf
# rnaseq: patient_id, gene, tpm
# protein: patient_id, protein_id, abundance
# metab: patient_id, metabolite_id, concentration
import pandas as pd
genomic = pd.read_csv("genomic.csv")
rnaseq = pd.read_csv("rnaseq.csv")
protein = pd.read_csv("protein.csv")
metab = pd.read_csv("metab.csv")
# 1) 统一患者主键：取交集，记录缺失层
patients = set(genomic.patient_id) & set(rnaseq.patient_id)
print("基因组+转录组共有患者:", len(patients))
# 2) 基因ID统一到同一注释版本（示例：HGNC symbol）
rnaseq["gene"] = rnaseq["gene"].str.upper()
genomic["gene"] = genomic["gene"].str.upper()
# 3) 以患者为行、基因为列，构建多层矩阵
expr = rnaseq.pivot_table(index="patient_id", columns="gene",
values="tpm", aggfunc="mean")
mut = genomic.pivot_table(index="patient_id", columns="gene",
values="vaf", aggfunc="max").fillna(0)
# 4) 只保留共同患者，形成可整合矩阵
common = expr.index.intersection(mut.index)
expr, mut = expr.loc[common], mut.loc[common]
print("对齐后矩阵:", expr.shape, mut.shape)
运行后应重点观察三件事：共有患者数量是否与预期一致；基因列是否因注释版本不同而大量丢失；缺失层患者是否被单独标记而不是直接丢弃。这三点直接决定后续整合是否可信。