1. 多组学整合工程导论
多组学整合分析工程，是把基因组、转录组、蛋白质组、代谢组等不同层次的高通量数据，组织成一条可重复、可追溯、可交付的分析流水线。它既不是单纯的数据分析，也不是单纯的软件开发，而是两者的交叉：一端是生物学问题与实验设计，另一端是数据工程、统计建模与结果解释。理解这一交叉属性，是后续所有章节的基础。
一、多组学数据类型：同一批样本的不同"观测层"
多组学数据最本质的特征是"同源异层"——同一批生物样本，被不同技术平台从不同层面观测。常见类型包括：
- 基因组（DNA）：关注变异，如SNP、InDel、CNV、结构变异，输出VCF/BAM，回答"遗传基础是什么"。
- 转录组（RNA）：关注表达，如基因/转录本丰度、可变剪接，输出表达矩阵与counts，回答"哪些基因被转录"。
- 蛋白质组：关注蛋白丰度与修饰，输出蛋白定量表，回答"实际有多少蛋白"。
- 代谢组：关注小分子代谢物，输出峰表与代谢物丰度，回答"代谢状态如何"。
- 表观组：如DNA甲基化、染色质可及性（ATAC-seq），回答"表达调控的开关状态"。
这些数据在维度、尺度、噪声结构上差异极大：基因组是离散变异，转录组是计数型，蛋白质组和代谢组常为连续强度且缺失值多。整合的第一道门槛，就是让不同"语言"的数据能够对齐到同一坐标系——通常是样本 × 特征的矩阵，并以样本ID作为主键。
二、整合分析的目标与挑战
整合分析的目标可以概括为三层：描述（刻画样本在多组学上的整体结构）、关联（找出跨组学的协同变化，如mRNA与蛋白的相关性、变异与表达的cis/trans关联）、因果与预测（推断调控关系、构建分型模型或生物标志物）。
挑战同样明确。第一是样本对齐：不同平台可能来自不同批次，样本命名、缺失、重复必须严格核对，否则后续全部失效。第二是批次效应：技术批次常与生物学分组混杂，需要用ComBat、limma removeBatchEffect等方法校正，但校正过度会抹掉真实信号。第三是维度灾难：特征数常达数万，样本数却只有几十到几百，必须做特征筛选、正则化或降维。第四是缺失与噪声：蛋白质组缺失值可能高达30%以上，需区分随机缺失与低丰度缺失。第五是可重复性：同一分析在不同人、不同时间执行，结果应一致，这要求工程化约束。
三、工程化视角：技术栈与项目生命周期
把多组学分析当作工程项目，意味着要有明确的技术栈分层与生命周期管理。典型技术栈自下而上为：
- 数据层：原始FASTQ/BAM、表达矩阵、临床表型表，统一存放并版本化。
- 处理层：比对、定量、注释工具链（如STAR、Salmon、MaxQuant），以容器或conda环境固化。
- 整合层：MOFA、iCluster、相似性网络融合（SNF）、多组学关联分析等。
- 解释层：富集分析、通路映射、可视化与报告。
- 工程支撑：工作流引擎（Nextflow/Snakemake）、版本控制（Git）、环境锁定、日志与元数据管理。
项目生命周期通常经历：问题定义 → 实验与数据获取 → 数据质控与预处理 → 多组学整合建模 → 结果验证与解释 → 交付与复现。工程化的关键不是工具多，而是每一步都有输入、输出、参数和判断标准，且能被他人重跑。
四、一个可执行的最小示例：从两张表到一次整合
假设有一批20个肿瘤样本，同时测得转录组表达矩阵（20000基因 × 20样本）和蛋白质组丰度表（5000蛋白 × 20样本）。一个最小可跑的整合流程如下：
# 1. 读入并核对样本ID
expr <- read.csv("expr_matrix.csv", row.names=1) # 基因 × 样本
prot <- read.csv("prot_abundance.csv", row.names=1) # 蛋白 × 样本
stopifnot(identical(sort(colnames(expr)), sort(colnames(prot))))
# 2. 缺失过滤与标准化
prot <- prot[rowSums(is.na(prot)) <= 4, ] # 缺失≤20%保留
expr_log <- log2(expr + 1)
prot_log <- log2(prot + 1)
# 3. 批次校正（假设batch向量已知）
library(sva)
expr_corr <- ComBat(expr_log, batch = batch)
# 4. 取两组学共同高变特征，做MOFA
library(MOFA2)
mofa_data <- list(RNA = expr_corr, PROT = prot_log)
model <- run_mofa(create_mofa(mofa_data), save_data = TRUE)
# 5. 查看因子解释方差
plot_variance_explained(model)
运行后重点观察三件事：各因子对每个组学的解释方差是否均衡（若某组学几乎无贡献，说明该层信息未被利用）；样本在因子空间是否按已知分组分离；因子载荷中是否出现跨组学一致的基因-蛋白对。这些观察结果，就是判断整合是否"有效"的第一手依据。示例中的样本数、特征数和缺失阈值均为教学假设，实际项目需按数据规模调整。
五、工程化落地的几条硬约束
- 样本主键唯一且不可变：所有表以同一套sample_id连接，禁止中途改名。
- 参数与随机种子显式记录：降维、聚类、交叉验证的种子必须写入配置，否则结果不可复现。
- 中间产物落盘：每步输出独立文件，便于断点续跑与排障。
- 版本可追溯：数据版本、代码版本、环境版本三者绑定，缺一不可。
- 结果有判断标准：如因子解释方差阈值、聚类稳定性（轮廓系数）、关联显著性（FDR<0.05），而非"看起来还行"。