MOFA / MOFA+
无监督的多组学因子分析，从多个组学中提取共有或某一组学特有的潜在因子，适合不预设分组、先看清主要变异来源的研究。它允许部分样本缺失某些组学，得到的因子可以再与临床表型、生存信息做关联。
10个分析 Skill · Codar 生信插件
多组学整合 AI 分析
多组学整合把同一批样本的转录组、蛋白组、甲基化、代谢组等数据放在一起建模，寻找单一组学看不到的共同变异来源或分子分型。Codar 会先根据研究问题和样本配对情况设计整合方案，完成数据对齐与标准化，再用 MOFA 因子分析、DIABLO 监督建模或 SNF 相似性网络融合联合分析，并对结果做跨组学解释与验证。
多组学整合能回答哪些研究问题
- 转录组、蛋白组和甲基化数据有哪些共同的变异来源？
- 哪些跨组学特征组合能够区分不同疾病亚型？
- 整合多组学后，患者能否分成分子特征不同的亚群？
- 同一个细胞的基因组变异与表达变化之间有何关联？
- mRNA 与蛋白丰度的变化在哪些基因上不一致？
多组学整合分析流程
- 1
设计整合方案
先明确是探索性问题还是有分组标签的问题，统计各组学的样本配对情况，据此选择方法。
- 2
数据对齐
统一样本编号和特征标识，处理缺失样本，把基因、蛋白、CpG 位点对应到可比较的单位。
- 3
分组学标准化
每种组学按自身特点标准化、过滤并校正批次，避免方差大的组学主导整合结果。
- 4
联合建模
用 MOFA、DIABLO 或 SNF 建模，通过交叉验证或稳定性检验确定因子数、成分数等参数。
- 5
解释与验证
查看因子或成分的特征载荷，关联临床变量，并在单组学结果或独立数据中核对。
- 6
结果交付
输出方案说明、因子与载荷图、样本分群结果、关联分析表和分析脚本。
常用方法与怎么选
DIABLO（mixOmics）
监督式方法，在已知分组的前提下，寻找既能区分组别、又在组学之间相互关联的特征组合，适合分类和生物标志物筛选。这类模型容易过拟合，需要用交叉验证评估分类表现，样本较少时对选出的特征要更谨慎。
SNF 相似性网络融合
为每种组学分别构建样本相似性网络，再迭代融合成一个网络用于聚类，常用于肿瘤分子分型。它关注的是样本之间的关系，不直接给出驱动特征，得到亚群后还要做差异分析来解释各亚群的分子特点。
早期拼接与晚期整合
最直接的做法是把各组学特征拼接后统一建模，但不同组学的维度和尺度差异大，容易被高维组学主导。晚期整合先分别分析再合并结论，稳健但会错过跨组学的协同信号。MOFA 这类中间整合方法介于两者之间。
需要准备的数据
- 同一批样本的两种或以上组学矩阵
- 样本对应表：各组学样本编号的匹配关系
- 临床或表型信息：分组、生存、处理等
- 各组学的预处理说明（标准化方式、批次）
能得到的结果
- 整合方案说明与方法选择理由
- 对齐、标准化后的各组学矩阵
- MOFA 因子方差解释图与特征载荷表
- DIABLO 选出的跨组学特征与分类评估
- SNF 融合网络得到的样本分群
- 分析脚本与参数记录
多组学整合插件包含的分析能力
共 10 项。启用插件后，Codar 会按任务自动选用，不需要逐个记住名称。
- G&T-seq基因组与转录组联合分析
- DIABLO监督式多组学建模
- 多组学数据对齐与标准化
- 多组学联合解释与验证
- MOFA多组学因子分析
- SNF多组学相似性网络融合
- 多组学整合方案设计
nf-core 标准流程（3 个）
- nf-core-differentialabundance流程
- nf-core-omicsgenetraitassociation流程
- nf-core-proteogenomicsdb流程
在 Codar 里怎么用
- 1
切换到生信模式
在 Codar 左上角选择 Codar 生信。
- 2
启用「多组学整合」
在插件页找到「多组学整合」，安装或启用。
- 3
描述研究问题
用一句话写清数据和目标，确认分析方案后开始执行。
可以这样提问
我有同一批患者的转录组、蛋白组和甲基化数据，帮我设计整合方案，用 MOFA 找出与预后相关的因子。
多组学整合常见问题
MOFA 和 DIABLO 有什么区别？
MOFA 是无监督方法，不使用分组信息，目标是找出数据中主要的变异来源；DIABLO 是监督方法，直接寻找能区分已知组别的跨组学特征。想先探索数据结构可选 MOFA，想做分类或筛选标志物可选 DIABLO，两者也可以先后使用。
多组学整合需要每个样本都有全部组学数据吗？
不一定。MOFA 等因子模型允许部分样本缺失某些组学，但完全配对的样本越多，跨组学关联的估计越可靠。DIABLO 和 SNF 通常要求样本在各组学间一一对应，缺失较多时需要先取交集或考虑插补，并评估这样做对结论的影响。
多组学整合分析需要多少样本？
没有统一标准，取决于方法和研究问题。无监督因子分析对样本量相对宽容，监督建模和亚型发现对样本量更敏感，样本少时容易过拟合。样本有限时宜选较简单的模型，并用交叉验证或独立队列检验结果是否稳定。
其他生信插件
macOS 12+Mac
Windows 10+Windows