1. 多组学整合概述与DIABLO方法简介
各位同学，今天我们正式开始《DIABLO多组学联合统计建模教程》。我是你们的老朋友，一名在生物信息学领域摸爬滚打多年的工程师。
说起多组学整合，这活儿其实挺有意思。你想想看，基因组、转录组、蛋白质组、代谢组……每个组学数据单独拿出来都能发文章，但现实问题是——单组学数据就像盲人摸象。摸到腿的说是柱子，摸到尾巴的说是绳子。
多组学整合，说白了就是把不同维度的信息拼在一起，让我们看清生物系统的全貌。但这里有个坑：数据种类不一致、量纲不同、变量数多到爆炸。传统统计方法很难同时处理这些“三教九流”的数据。
核心痛点：m个组学，n个样本，p个变量。经典的PCA或CCA单独处理某个组没问题，但要找到跨组学的“共享结构”，就力不从心了。
DIABLO是什么？
DIABLO是mixOmics包里的一个深度学习时代之前的“老炮”方法。全称是Data Integration Analysis for Biomarker discovery using Latent variable approaches for 'Omics studies。名字挺长，但核心思想很简单——它通过稀疏广义典型相关分析（sgCCA）把多个组学数据投影到一组共享的潜在空间里。
我记得第一次用DIABLO时，手头有个项目：300个肿瘤样本，有基因表达、甲基化、miRNA三组数据。我当时用传统的PCA分别降维，结果发现三组数据的主成分方向根本对不上。后来换了DIABLO，才把三个视角拧成了一股绳。
为什么会这样？原因在于DIABLO的设计目标很明确：它不仅要解释每个组学内部的最大变异，还要最大化不同组学之间的协方差。说白了，它强迫各个组学“说同一种语言”。
牢记：DIABLO适合有监督（指定分组）和无监督（不指定分组）两种场景。但多数实际案例是有监督的——比如区分癌症亚型。
DIABLO在组学整合中的定位
目前常见的方法，我归类为以下三类：
| 方法类别 | 代表工具 | 适用场景 | 缺点 |
|---|---|---|---|
| 矩阵分解 | iNMF、JIVE | 发现共享与特有结构 | 难以处理缺失值 |
| 贝叶斯模型 | MOFA、iClusterPlus | 潜在因子推断 | 计算慢、超参数多 |
| 判别分析 | DIABLO、sPLS-DA | 分类与生物标志物筛选 | 对非线性关系支持弱 |
DIABLO的位置，正好在“小而美”的区间里。它不像MOFA那样动不动就跑到几十个因子，也不像贝叶斯方法那样需要MCMC跑一整天。我个人习惯用DIABLO做两件事：
- 变量筛选：从各组学中挑出少量关键特征（比如50个基因+30个甲基化位点+10个miRNA）
- 样本分类：基于挑选出的特征构建分类器
这里要特别强调一点——DIABLO对缺失值其实不太友好。我曾经在项目中遇到30%的缺失率，DIABLO跑出来的结果跟随机噪声差不多。所以你如果数据缺失较多，先用imputation补全再说。
DIABLO的核心思想：稀疏性
为什么DIABLO能成为“小而美”？关键就在这个稀疏性上。
传统CCA（典型相关分析）会把所有变量都纳入计算，结果就是模型复杂、可解释性差。DIABLO通过L1正则化（lasso惩罚）把那些不重要的变量系数压缩到0。你想想看，上千个基因里，真正和疾病相关的可能就几十个。DIABLO帮你自动挑出来。
要警惕：稀疏惩罚的参数（keepX）需要调参。设太小，特征不够用；设太大，稀疏性失效。我建议用交叉验证来选。
什么时候该用DIABLO？
不是所有场景都适合。我列出几个典型的判断标准：
- 数据量适中：样本数几十到几百，变量数千到几万。再大的数据会跑死你
- 期望可解释性：你需要回答“哪些基因/蛋白/代谢物最重要”，而不是只关心预测精度
- 组学之间有关联：如果各学组数据完全是独立的信号通路，DIABLO的共享结构假设会失效
- 缺失值较少：我前面提到过，超过10%的缺失值会严重影响结果
另外，DIABLO还有个贴心功能——它内置了样本的“设计矩阵”，可以控制你想要的整合力度。比如你可以设定“转录组和蛋白质组的关联权重为0.8，而miRNA权重为0.5”。这个灵活性在实战中很常用。
与其它方法的对比
你可能会问：那跟MOFA比呢？跟JIVE比呢？
我想从工程视角给你个直观判断：
- MOFA：贝叶斯学派，擅长推断隐因子。但模型复杂，调试费劲，适合研究导向。用我一位朋友的话说，“跑一个MOFA，够喝三杯咖啡”
- JIVE：用矩阵分解把数据拆成共享和特有部分。但JIVE对变量数敏感，成千上万个基因时，分解结果很难解读
- DIABLO：集成变量筛选+分类建模，一步到位。输出可以直接写进文章里的表格
我自己做肿瘤分型时，首选DIABLO。因为它既能筛出关键基因，又能告诉我样本属于哪个亚型，一步到位，省时省力。
注意：DIABLO的模型假设是“线性关系”。如果你的数据有明显的非线性交互（比如基因表达与甲基化呈U型关系），DIABLO表现会下降。此时可以考虑kernel trick或者深度学习方法。
安装与快速上手
DIABLO被封装在mixOmics包里。安装很简单：
# 从CRAN安装
install.packages("mixOmics")
# 或从GitHub安装开发版
remotes::install_github("mixOmicsTeam/mixOmics")
# 加载
library(mixOmics)装好之后，一个最基本的DIABLO调用长这样：
# 假设你有三个矩阵：X1 (转录组), X2 (甲基化), X3 (miRNA)
# Y是样本标签向量
# 设置参数
design <- matrix(c(0, 0.5, 0.5,
0.5, 0, 0.5,
0.5, 0.5, 0), nrow = 3, ncol = 3)
keepX <- list(X1 = c(rep(50, 2)),
X2 = c(rep(30, 2)),
X3 = c(rep(20, 2)))
# 运行DIABLO
model <- block.splsda(X = list(X1 = X1, X2 = X2, X3 = X3),
Y = Y,
ncomp = 2,
keepX = keepX,
design = design)代码中的design矩阵是核心——它控制了组学间的关联强度。对角线是0（自身），非对角线是0到1之间的值，越大表示两个组学越要协同。
我建议初次使用时，先用等权重（全0.5），然后交叉验证选最优。
实战技巧：如果组学数量超过4个，design矩阵会变得很庞大。我的经验是优先考虑生物学先验知识——比如转录组与蛋白组关联强，设置0.8；而与代谢组关联弱，设置0.3。不要在无先验时盲目调参。
小结
这一节我们拆解了DIABLO的定位：它是一个为多组学数据量身设计的变量筛选+分类工具。它通过稀疏广义CCA实现“小而美”——选关键变量、建分类模型、保持可解释性。
它不是万能的，但在我用过的方法里，它的平衡性是最好的。特别是在样本量小、变量多、需要实际落地结果的场景，DIABLO是个靠谱的选择。
好，本章到此为止。下一部分，我们直接实战——我会带你走一遍完整的DIABLO数据预处理流程。