MOFA 与其他多组学整合方法对比
做多组学整合的朋友，基本都会遇到一个选择题：到底用 MOFA、DIABLO 还是 NMF？
我刚开始接触这个领域时，也是挨个试了一遍。每种方法都有自己的脾气，选错了后面的分析全白搭。今天我就把这三家的核心差异、适用场景、以及我在项目中踩过的坑，一次性给你讲清楚。
为什么需要对比？
说白了，没有银弹。每种方法的假设和数学框架都不一样。
- MOFA 学的是共享+私有因子结构，适合探索组间共享变异和组内特有信号。
- DIABLO 是监督型整合，目标是通过稀疏线性组合最大化组间相关性，常用在分类/表型关联场景。
- NMF 则是纯无监督的非负矩阵分解，强制所有因子非负，适合表达率/丰度这类天然非负数据。
你想想看，如果数据全是 log2 变换的强度值，藏着很多负值，这时候非负约束就是硬伤。我曾经在甲基化数据上硬套 NMF，结果一堆负值被截成 0，模型完全没法解释。
DIABLO：监督式集成，目标明确
DIABLO 出自 mixOmics 包，它的核心是稀疏广义典型相关分析。它能利用表型标签（比如疾病组 vs 对照组）来引导整合方向。
你已经有明确的分类/预后标签，想找哪些特征组合可以跨组学区分样本。DIABLO 的稀疏性会帮你筛出最重要的基因、代谢物和甲基化位点。
我建议在二分类或小样本场景下优先考虑 DIABLO。它收敛快，结果解释起来也容易。但要注意：DIABLO 的 keepX 参数控制每个组学保留的特征数，调不好很容易过拟合。
# mixOmics 中 DIABLO 的标准调用
# 需要设计实验设计矩阵 design 和块列表 blocks
design <- matrix(0.1, ncol = 3, nrow = 3)
diablo.model <- block.plsda(
X = list(omics1, omics2, omics3),
Y = phenotype,
indY = 1,
ncomp = 2,
design = design,
keepX = list(omics1 = 10, omics2 = 8, omics3 = 12)
)我曾帮一家药企分析多组学数据，20 个样本，3 个组学，用 DIABLO 找出的特征和已知通路完美重合。但换到 200 个样本的队列，keepX 调了十几遍才稳定。
NMF：非负约束，直觉但脆弱
NMF 的数学很漂亮：把数据矩阵 ≈ 基矩阵 × 系数矩阵，且所有元素 ≥ 0。这在基因表达、微生物丰度等数据上很自然。
但实际问题是我遇到的坑：
- 数据预处理必须保证绝对非负。任何负值（比如 z-score 归一化后的数据）都不行。
- 结果容易受初始值影响，需要多次迭代选最优解。
- 无法直接处理私有因子结构 —— 所有组学共享同一组基，组间差异被压缩在一起。
我曾经在蛋白质组学数据上用 NMF，因为缺失值填补用了全局均值（产生了不少接近 0 的负值），结果分解出来的因子全是噪声。后来改用 Half-minimum 填补才正常。切记：NMF 的输入必须是正矩阵，且最好做 TMM 或 CPM 这类相对定量标准化。
常见的 NMF 工具比如 NMF R 包，或者 Python 的 sklearn.decomposition.NMF，用法很简单：
from sklearn.decomposition import NMF
import numpy as np
model = NMF(n_components=5, init='nndsvd', random_state=42)
W = model.fit_transform(X) # 基矩阵
H = model.components_ # 系数矩阵但说实话，多组学场景下 NMF 的灵活性很差。你不能单独控制某个组学对因子的贡献度，所有组学都被拉进同一个低维空间。
核心对比：一张表看明白
| 维度 | MOFA | DIABLO | NMF |
|---|---|---|---|
| 数学框架 | 概率因子分析 + 变分推断 | 稀疏 CCA / PLS | 非负矩阵分解 (NNLS) |
| 因子结构 | 共享因子 + 组学私有因子 | 共享判别成分 | 全共享因子（无私有分离） |
| 数据要求 | 任意连续值，缺失值友好 | 连续值，推荐 z-score | 必须非负（≥0） |
| 监督/无监督 | 无监督，可后续关联表型 | 监督（需要标签） | 无监督 |
| 稀疏性 | 可设置稀疏先验（可选） | 内置稀疏（keepX） | 无原生稀疏（可加 L1 惩罚） |
| 可解释性 | 因子特征权重大 | 载荷 + 相关性排名 | 基矩阵 + 系数矩阵 |
| 计算复杂度 | 较高（迭代优化 ELBO） | 较低（PLS 高效） | 中等（多启动随机） |
从表里能看出来：MOFA 在灵活性上占优，既能处理缺失也能分离私有信号；DIABLO 适合有监督的快速标记；NMF 则受限于非负假设。
选型建议：我自己的经验法则
- 数据缺失多，想发现潜在结构 → MOFA。我就靠这个特性在一批临床数据里找到了一直被忽略的批次效应。
- 有分类标签，特征筛选优先 → DIABLO。注意控制 keepX 避免过拟合。
- 数据全是计数或丰度，且组学同质性高 → NMF。比如微生物组 + 宏转录组，可以用同一套基。
早期我天真地以为 NMF 最简单，直接拿多组学拼接矩阵去分解。结果每个因子都混合了不同组学的变异，根本无法解释。后来才知道：多组学整合的难点正在于组间数据结构和噪声水平不同，MOFA 的“私有因子”恰好解决了这个痛点。
有一次，我在一个病理组学项目里，先用 DIABLO 做分类（准确率很高），再用 MOFA 对 DIABLO 留下的残差做因子分析，发现了一组跟药物响应相关的私有代谢信号。这种“组合拳”往往比单独用一种更有效。
结构总览：三种方法的关系
从这个图能直观看出：MOFA 偏向因子结构发现，DIABLO 偏向监督分类，NMF 偏向非负分解。实际项目中，我会先用 MOFA 做探索，再用 DIABLO 验证关键特征，如果数据允许的话 NMF 可以放在子组学内部试一下。
小结：我给你的选型清单
- 数据缺失多且无标签 → MOFA。它会自动处理缺失，你不用补值。
- 有明确的分类表型 → DIABLO。记得多做交叉验证选 keepX。
- 数据全是非负计数且组学间分布接近 → NMF。但最好先做一步 SVA 去批次。
- 想探索组内私有信号 → 只有 MOFA 能做。DIABLO 和 NMF 都不支持，硬做会丢失信息。
别在调参上花太多时间犹豫。我现在的习惯是：先跑一个默认 MOFA 模型看因子数量，再跑一个 DIABLO 看分类精度，最后用这两个结果反向验证。如果它们给出的主要结构一致，那基本稳了。
三种方法各有千秋，选对工具能让分析事半功倍。接下来我们就要深入 MOFA 的参数调优了 —— 准备好面对“因子数量”这个第一个大坑了吗？