整合算法

快速概览

本页是多组学整合的算法地图：从 K 个组学矩阵出发，提取共享低维表示与组学特异分量。四类方法对应不同的样本规模、缺失程度与可解释性权衡，选型的关键是匹配数据条件而非追求复杂度。

共享表示是核心输出：Joint NMF 通过共享基矩阵 W 强制各组学在样本维度对齐，CCA 则直接最大化跨组学线性相关
MOFA+ 用 ARD 先验从数据自动学习各组学-因子权重，变分推断可处理缺失值并给出后验不确定性，是小样本、可解释场景的首选
选型逻辑：小样本+可解释选 Joint NMF/MOFA+，缺失多选 MOFA+/scVI，复杂非线性选 VAE/GNN/Transformer——简单方法在小数据上往往更稳健

问题定义

什么是多组学整合算法

多组学整合算法（Multi-Omics Integration Algorithms） 旨在联合分析来自不同生物学层次的数据，发现跨组学的共享模式与特异信号。

输入与输出

输入：

$K$ 个组学数据矩阵： $X^{(1)}, X^{(2)}, ..., X^{(K)}$
其中 $X^{(k)} \in \mathbb{R}^{n \times p_k}$ 或 $\mathbb{R}^{n_k \times p_k}$ （允许样本不匹配）
可选：样本标签、批次信息、先验知识

输出：

共享的低维表示： $Z \in \mathbb{R}^{r \times n}$ 或样本映射
组学特异分量：各组学独有的变异模式
跨组学关联：特征层面的对应关系

核心挑战

| 挑战类型 | 具体问题 | 算法应对策略 | |---------|---------|-------------| | 异质性 | 不同组学的维度、分布、噪声模式差异巨大 | 标准化、概率建模、深度网络 | | 对齐性 | 样本是否匹配、细胞是否对应 | 显式对齐、隐式嵌入匹配 | | 可解释性 | 识别跨组学驱动因子 | 稀疏约束、因子标注、网络分析 | | 可扩展性 | 大规模数据处理 | 随机优化、分块计算、近似推断 |

矩阵分解类算法

联合非负矩阵分解（Joint NMF）

基本思想：对多个组学矩阵共享部分因子矩阵，强制它们在低维空间对齐。

给定 $K$ 个组学矩阵 $X^{(1)}, X^{(2)}, ..., X^{(K)}$ ，Joint NMF 优化：

\min_{W, H^{(1)}, ..., H^{(K)}} \sum_{k=1}^{K} \|X^{(k)} - W H^{(k)}\|_F^2 + \lambda \mathcal{R}(W, H)

其中 $W$ 是共享的基矩阵（ $n \times r$ ）， $H^{(k)}$ 是各组学特异的系数矩阵（ $r \times p_k$ ）。共享 $W$ 即自动实现各组学在样本维度的对齐， $W$ 的列可解释为共同的生物学过程（通路、细胞类型、疾病亚型）。

求解：目标函数非凸，通常用交替乘法更新（multiplicative update）求局部最优：

W_{ij} \leftarrow W_{ij} \cdot \frac{\sum_k (X^{(k)} (H^{(k)})^T)_{ij}}{\sum_k (W H^{(k)} (H^{(k)})^T)_{ij}}, \qquad H^{(k)}_{ij} \leftarrow H^{(k)}_{ij} \cdot \frac{(W^T X^{(k)})_{ij}}{(W^T W H^{(k)})_{ij}}

正则项 $\mathcal{R}$ 常用 L2、稀疏（L1）或组间一致性约束 $\sum_{k<l}\|H^{(k)}-H^{(l)}\|_F^2$ 。

优点：

数学形式清晰，易于解释
非负约束符合生物学直觉（"部分组成整体"）
计算效率较高，适合中小规模数据

缺点：

难以处理缺失数据
对初始化敏感（非凸，需多次运行取优）
要求数据非负（z-score 等含负值数据需先变换）

适用场景：样本匹配、规模中等（ $n < 10^4$ ）、需要可解释因子、数据为非负计数/丰度的场景。

变体：

iNMF：整合单细胞多模态数据，加入对齐约束并可处理部分模态缺失
MultiNMF：加入组学权重 $w_k$ 控制各组学贡献，可自动学习
SNF（Similarity Network Fusion）：构建相似性网络后融合（见下文图方法）

典型相关分析（CCA）及扩展

基本思想：寻找两组变量的线性组合，使它们之间的相关性最大化。

对两组数据 $X \in \mathbb{R}^{n \times p}$ 和 $Y \in \mathbb{R}^{n \times q}$ ，求解：

\max_{u, v} u^T X^T Y v \quad \text{s.t.} \quad u^T X^T X u = 1, v^T Y^T Y v = 1

约束保证典型变量（canonical variate）方差为 1，避免平凡解。

求解：可转化为广义特征值问题。令 $\Sigma_{xx}=X^TX$ 、 $\Sigma_{yy}=Y^TY$ 、 $\Sigma_{xy}=X^TY$ ，计算 $M=\Sigma_{xx}^{-1}\Sigma_{xy}\Sigma_{yy}^{-1}\Sigma_{yx}$ ，其特征值 $\lambda_k$ 给出典型相关系数 $\rho_k=\sqrt{\lambda_k}$ ，可依次求得 $r=\min(p,q)$ 对互不相关的典型变量。显著性可用 Wilks' Lambda $\Lambda=\prod_i(1-\rho_i^2)$ 或置换检验评估。

扩展方法：

Sparse CCA：加入 L1 正则 $\max\, w_x^T\Sigma_{xy}w_y-\lambda_x\|w_x\|_1-\lambda_y\|w_y\|_1$ 实现特征选择
Kernel CCA：通过核函数处理非线性关系
Group CCA：扩展到多组学（>2 组）
Deep CCA：使用深度网络学习非线性映射 $\max_{f,g}\mathrm{Corr}(f(X),g(Y))$

优点：

理论基础扎实
直接优化跨组学相关性
可扩展到多组学场景

缺点：

线性 CCA 难以捕捉复杂非线性关系
对噪声敏感，标准 CCA 不能处理缺失数据
样本量要求较高（ $n > p+q$ ）

适用场景：两组匹配样本、线性关联假设合理、需要可解释权重的关联发现。CCA 最大化线性相关的思想也是现代对比学习（如 CLIP）与多模态表示学习的源头之一。

因子分析类算法

MOFA+（Multi-Omics Factor Analysis）

核心思想：假设观测到的多组学数据由一组共享的潜在因子驱动，每组学对这些因子有不同的敏感度。

模型结构：

X^{(k)} = W^{(k)} Z + \epsilon^{(k)}, \quad \epsilon^{(k)} \sim \mathcal{N}(0, \tau^{(k)})

其中：

$Z \in \mathbb{R}^{r \times n}$ 是共享潜在因子
$W^{(k)}$ 是组学 $k$ 的因子载荷矩阵
$\tau^{(k)}$ 是组学 $k$ 的噪声参数

ARD 先验与自动权重学习：对载荷设自动相关性确定（Automatic Relevance Determination, ARD）先验 $W^{(k)}_{jr}\sim\mathcal{N}(0,\alpha_{kr}^{-1})$ 。精度 $\alpha_{kr}$ 越小，因子 $r$ 对组学 $k$ 越重要，从而由数据自动学习各组学-因子的权重，无需手工指定。

推断方法：后验 $p(Z,W\mid X)$ 难以精确计算，采用变分推断，以因子化近似 $q(Z,W)=q(Z)\prod_k q(W^{(k)})$ 最大化证据下界（Evidence Lower Bound, ELBO）：

\mathcal{L}=\mathbb{E}_q[\log p(X,Z,W)]-\mathbb{E}_q[\log q(Z,W)]

优点：

可处理缺失数据（直接标记 NA，无需填充）
提供不确定性估计（后验分布）
可解释性强（因子可标注为生物学过程）
支持视图权重自动学习与多种数据类型（连续/二值/计数）

缺点：

假设因子服从正态分布
计算复杂度随样本量增长，推断较慢
需要选择因子数量（可用 ELBO 曲线或方差解释率）

适用场景：存在缺失数据、需要不确定性估计、样本量较小或数据类型多样的队列级多组学整合。

变分自编码器（VAE）类方法

代表方法：

scVI / totalVI / MultiVI：单细胞多模态整合
MOFA+ 的 VAE 版本：更灵活的分布假设

基本架构：

编码器：将观测数据映射到潜在空间
潜在变量：学习共享表示
解码器：从潜在空间重构各组学数据

优点：

可处理非线性关系
灵活的分布假设
可扩展到大规模数据
可整合批次信息

缺点：

训练不稳定
超参数敏感
可解释性较弱

图方法

相似性网络融合（SNF）

基本思想：不假设数据分布，把每组学数据转化为样本相似性网络，再通过迭代消息传递融合成一张网络，用于下游聚类/可视化。

基本流程：

为每组学构建样本相似性网络。用热核（heat kernel）加局部缩放定义相似度，并做行归一化得到随机矩阵： $W_{ij}=\exp\!\left(-\frac{d_{ij}^2}{\mu\,\epsilon_i\epsilon_j}\right), \qquad P_{ij}=\frac{W_{ij}}{\sum_l W_{il}}$ 其中 $d_{ij}$ 为欧氏距离， $\epsilon_i$ 取样本 $i$ 到第 $K$ 个近邻的距离， $\mu$ 为超参数。
迭代融合网络（ $S^{(k)}$ 为 $P^{(k)}$ 的对称化版本）： $P^{(k)} \leftarrow S^{(k)} \times \left(\frac{\sum_{l \neq k} P^{(l)}}{K-1}\right) \times (S^{(k)})^T$
融合后的网络用于下游分析（谱聚类、可视化）。

优点：

不假设数据分布，可处理不同类型的数据
网络表示直观、易于可视化
算法简单直观，对噪声相对鲁棒

缺点：

相似性度量选择影响结果
难以处理缺失数据
计算复杂度 $O(n^2)$ （融合每轮 $O(Kn^3)$ ），不适合超大规模

适用场景：样本量中等（ $n<5000$ ）、数据类型多样、需要样本层面（而非特征层面）整合与网络表示的场景。

图神经网络（GNN）方法

基本思想：将样本作为节点，组学信息作为节点特征，通过消息传递学习整合表示。

代表方法：

scMoGNN：单细胞多组学图神经网络
MOMA：多组学图注意力网络

优点：

可捕捉复杂的样本间关系
可整合先验知识（如蛋白质相互作用）
端到端学习

缺点：

需要构建合理的图结构
计算开销大
可解释性挑战

深度学习方法

多模态自编码器

架构类型：

早期融合自编码器：输入拼接后编码
多编码器-解码器：各模态独立编码，在瓶颈层融合
对比学习：学习跨模态对齐的表示

损失函数：

重构损失： $\sum_k \|X^{(k)} - \hat{X}^{(k)}\|^2$
对比损失：拉近正样本对，推开负样本对
正则项：鼓励稀疏或低维表示

Transformer 架构

应用场景：

单细胞多模态：scJoint、scMoMaT
时空组学整合：SpaGCN、STAGATE

优势：

注意力机制捕捉长程依赖
可处理可变长度输入
预训练-微调范式

算法选择指南

| 场景 | 推荐算法 | 理由 | |------|----------|------| | 小样本、可解释性要求高 | Joint NMF, MOFA+ | 计算快，因子可解释 | | 缺失数据较多 | MOFA+, scVI | 可处理缺失值 | | 非线性关系复杂 | VAE, GNN, Transformer | 捕捉复杂模式 | | 大规模数据 | scVI, Linear CCA | 可扩展性好 | | 需要不确定性估计 | MOFA+, scVI | 贝叶斯框架 | | 单细胞多模态 | scVI, totalVI, MultiVI | 专为单细胞设计 |

实现注意事项

数据预处理

标准化：每组学独立标准化（z-score 或 min-max）
特征选择：保留高变异特征或生物学相关特征
缺失值处理：根据算法选择填零、均值或模型推断

超参数选择

潜在维度：使用肘部法则、解释方差或下游任务性能
正则强度：交叉验证或信息准则（AIC/BIC）
学习率：深度学习方法需要调优

评估指标

重构误差：衡量信息保留
跨模态一致性：如标签一致性、相关性
下游任务性能：分类、聚类、差异表达
可解释性：因子与已知生物学通路的重叠