第2章：MOFA数学模型 – 因子分析基础与概率图模型

聊到MOFA，很多人第一反应是“又是一个黑盒工具”。其实不是，它的数学骨架非常清晰。说白了，MOFA就是把经典的因子分析（Factor Analysis）硬生生推广到了多视图场景。我个人习惯，在讲任何算法前，先把它的假设讲透。否则后续调参、诊断全凭运气，那就麻烦了。

2.1 从经典因子分析说起

因子分析的基本假设很简单：我们观测到的高维数据，其实是由少数几个不可观测的“潜在因子”线性组合，再加上一些噪声生成的。你想想看，测了上万基因的表达量，很多基因其实是共表达的，它们的波动背后是少数几个生物学过程（比如细胞周期、免疫应答）在调控。因子分析要做的，就是把那层窗户纸捅破。

用数学来表示，对于单视图数据 \( \mathbf{X} \in \mathbb{R}^{N \times D} \)（N个样本，D个特征），因子分析模型是：

X = Z W^T + E

• Z：因子得分矩阵，维度 N×K。K就是你设定的因子个数。每一行是样本在K个因子上的“坐标”。
• W：因子载荷矩阵，维度 D×K。每一列定义了某个因子如何“加权”组合原始特征。
• E：噪声项，通常假设为各向同性高斯分布，即每个特征的噪声独立同分布。

为什么叫“载荷”？我在项目中遇到过，有的同学总把这个跟“权重”混淆。权重是预测模型里的概念，载荷在这里是“因子和特征之间的协方差结构”。它告诉我们，哪个特征在哪个因子上“挂了多大的重量”。

2.2 MOFA如何推广？——给每个视图一个专属空间

MOFA的聪明之处在于，它假设多个视图共享同一套样本的因子得分Z，但每个视图有自己独立的载荷矩阵和噪声。这么一来，就实现了“一个底层信号，多种观测手段”的整合。

假设我们有M个视图，第m个视图的数据矩阵是 \( \mathbf{X}_m \in \mathbb{R}^{N \times D_m} \)。MOFA的模型写为：

X_m = Z W_m^T + E_m

其中：

• Z：共享因子得分，N×K。所有视图共用一个Z。
• W_m：第m个视图的因子载荷，D_m × K。每个视图对因子的“解释”是独立的。
• E_m：第m个视图的噪声，按视图独立建模。

你可能会问：为什么Z非要共享？嗯，这是关键。如果不共享，每个视图各自跑因子分析，那组学之间的关联就断了。共享Z，相当于把跨视图的信号强行拧到了一起。我在处理表观组和转录组数据时，发现有的因子只在某个视图上有高载荷，这时候就需要去追问：那个因子是不是代表了该视图特有的生物学通路？

2.3 概率图模型视角

光说公式有点干。我们把它画成图，就好理解了。下面是MOFA的概率图模型，这个图我建议你多看几眼，因为后续所有推断、降维、解释都围绕它展开。

图里最上面那个蓝色的Z，是所有视图的“公共语言”。你想想看，转录组数据、蛋白质组数据、甲基化数据，它们坐在一起，通过Z来对话。红色箭头从Z指向各个X_m，表示Z是数据生成的驱动源。底下橙、紫、青色的方块是每个视图的载荷矩阵W_m，它们决定了每个视图如何“翻译”Z为自己的特征空间。噪声E_m则吸收那些视图特有的噪音。

图里还有一个绿色的α，那是稀疏先验的超参数。为什么需要它？因为实际应用中，大多数特征只和少数因子相关。你强行让所有特征在所有因子上都有载荷，结果就是过拟合，因子解释起来也是一团浆糊。我记得有一次跑mofa，K设到15，结果一半因子都没什么载荷，后来加了稀疏正则，才把真正的信号洗出来。

2.4 模型生成过程（完整版）

把上面的图结构化，MOFA的完整生成过程可以写成：

对于每个因子 k = 1 ... K:
    采样稀疏先验参数 α_k

对于每个视图 m = 1 ... M:
    对于每个特征 d = 1 ... D_m:
        采样载荷向量 w_{m,d} ~ 稀疏先验分布

对于每个样本 n = 1 ... N:
    采样因子得分 z_n ~ N(0, I_K)
    
对于每个视图 m = 1 ... M:
    采样噪声精度 τ_m ~ Gamma(a₀, b₀)
    
    对于每个样本 n = 1 ... N:
        生成数据 x_{m,n} ~ N( W_m z_n, τ_m^{-1} I )

这里面有几层意思：

• 因子的稀疏性：不是所有因子在所有视图里都活跃。α就是控制这个开关的。
• 因子的正交性：Z的先验是标准正态，意味着因子之间是正交无关的。实际数据中可能没那么完美，但这样可以保证因子的可辨识性。
• 噪声异质性：每个视图有自己的噪声精度τ_m。有些视图噪音大（比如单细胞数据），有些噪音小（比如bulk RNA-seq），模型会自适应地给它们分配权重。

2.5 对比经典因子分析

特性	经典因子分析	MOFA
视图数	单视图	多视图（M≥2）
因子得分	视图特有	所有视图共享
噪声假设	各向同性	按视图独立建模，可异质
先验结构	无（或简单先验）	组级稀疏先验
缺失数据处理	需要插补	自然支持缺失值

看到这个表你应该明白了，MOFA不是把多个因子分析结果做平均，而是在模型层面就建了一个多视图的联合生成过程。缺失数据不需要额外插补，因为模型在推断时会自动利用共享的Z来填补。这一招，在组学数据合并且时有批次缺失的情况下特别好用。