4. 数据融合的层次与策略

在组学与药物数据融合建模中，“融合”并不是把几张表拼在一起这么简单。不同模态的数据在采样尺度、噪声结构、缺失模式和信息粒度上差异极大：转录组是约 2 万个基因的连续表达值，药物数据可能是分子指纹、理化描述符或靶点结合谱，临床表型则常是稀疏、类别化的终点标签。融合发生在建模管线的哪个位置，直接决定了模型能捕捉到多细的跨模态交互，也决定了它对缺失数据和样本量的鲁棒性。本节按融合发生的“层次”划分四类策略，并给出可操作的工程选型依据。

四种融合层次的定义与信息流

早期融合（early fusion，又称特征级融合）在进入模型之前就把各模态特征拼接成一个大矩阵。中期融合（intermediate fusion）让每个模态先经过各自的编码器，在中间表示层（隐空间）进行拼接、注意力交互或张量积。晚期融合（late fusion，决策级融合）让每个模态独立建模并输出预测分数，最后在决策层加权或投票。混合融合（hybrid fusion）则在不同深度同时使用多种融合方式，例如底层晚期、中层中期、顶层早期，或对部分模态做中期交互、对另一部分做晚期集成。

早期融合：交互最充分，但代价也最大

早期融合把组学矩阵 X₁（n×p₁）与药物特征矩阵 X₂（n×p₂）按样本对齐后横向拼接为 X=[X₁, X₂]，再送入一个统一模型（如弹性网络、随机森林或全连接网络）。它的优势是模型可以在任意特征之间学习交互项，例如“某基因高表达且药物具有某官能团”这类联合模式。代价是特征维度迅速膨胀：若 p₁=20000、p₂=2048，则拼接后维度超过 22000，在样本量 n 只有几百时极易过拟合。

工程上使用早期融合前，建议先做模态内降维或特征选择。例如对转录组取方差最大的 2000 个基因，对药物分子指纹做 PCA 保留 128 维，再拼接为 2128 维。一个可参考的配置是：VarianceThreshold(threshold=0.01) 过滤低变异基因，PCA(n_components=128) 压缩药物指纹，最后用 StandardScaler 统一量纲。若不做量纲统一，表达值（量级 10³）会淹没指纹位（0/1），模型将几乎只依赖组学。

中期融合：在隐空间做“有约束的交互”

中期融合的核心思想是“先各自理解，再交互”。每个模态先经过独立编码器得到低维表示 z₁=E₁(X₁)、z₂=E₂(X₂)，然后在隐空间进行拼接、逐元素乘、注意力或双线性池化。以双线性池化为例，交互表示为 z = z₁ᵀ W z₂，其中 W 是可学习矩阵，控制交互的秩和复杂度。相比早期融合，中期融合保留了模态特有的结构，也更容易处理模态内缺失——某个模态缺失时，只需将其编码器输出置零或使用可学习的缺失标记。

在药物-组学场景中，一个常见做法是：组学编码器用 2 层全连接（2000→256→64），药物编码器用图神经网络或 1D 卷积处理分子指纹（2048→128→64），然后在 64 维隐空间做拼接，再送入预测头。训练时可采用模态 dropout（每个 batch 以 0.1 概率随机屏蔽一个模态），迫使模型在单模态下也能给出合理预测，从而提升对缺失模态的鲁棒性。

晚期融合：模态独立，决策集成

晚期融合让每个模态独立训练一个模型，最后对预测分数做加权平均、堆叠（stacking）或投票。它的最大优点是抗缺失：当某个样本只有组学没有药物数据时，仍可用组学模型给出预测。同时，各模态模型可以独立调参、独立验证，工程上易于并行和迭代。

晚期融合的代价是丢失了跨模态交互。若两个模态之间存在强协同信号（例如某基因突变只有在特定药物存在时才影响疗效），晚期融合的决策层很难捕捉这种条件依赖。实践中常用加权融合：p_final = α·p₁ + (1-α)·p₂，α 在验证集上通过网格搜索确定。若两个模型性能相近且相关性低，α≈0.5 通常稳健；若组学模型 AUC 明显更高，α 可设为 0.7～0.8。

混合融合：按信息粒度分层组合

混合融合不是简单的“全都用”，而是根据模态的信息粒度选择融合位置。例如：对同源、同尺度的两个转录组平台（RNA-seq 与 microarray）采用早期融合，因为它们特征语义一致；对药物分子指纹与组学采用中期融合，因为需要学习跨模态交互；对临床终点这类稀疏、异质的数据采用晚期融合，避免其噪声污染隐空间。这样，模型在不同深度上分别处理“同质拼接”“异质交互”“独立决策”三类需求。

混合融合的工程复杂度最高，需要管理多条前向路径和多个损失项。建议先用中期融合建立基线，再逐步引入晚期分支，每次只增加一个融合点，并在验证集上监控各分支的贡献（如通过消融实验比较去掉某分支后的 AUC 变化）。

工程选型决策表

下表给出一个可直接参考的选型框架。使用时先回答“样本量是否充足”“模态缺失是否严重”“是否需要跨模态交互”三个问题，再对照选择。

总结来看，融合层次的选择本质是在“交互表达力”与“鲁棒性、可维护性”之间做权衡。早期融合适合数据充足、模态同质的场景；中期融合是多数药物-组学任务的平衡点；晚期融合在缺失严重或需要独立解释时更稳妥；混合融合则用于模态异质性极高、单一策略无法覆盖全部需求的复杂项目。工程上建议从晚期融合或中期融合起步，用消融实验验证交互增益后，再决定是否向早期或混合方向演进。