6.4 多组学数据整合与网络推理

6.3 节把变异层与表达层缝合为 eQTL，展示了跨层整合的第一种形态。本节把问题一般化：当 DNA 变异、转录、蛋白质与代谢物四层测量（6.1 节的五层栈）可以同时落在同一批生物样本上时，如何在统计上把它们联合起来，形成网络、模块与因果假设。这是整合基因组学的计算核心，也是本章方法论分量最重的一节（Gibson & Muse, 2009, ch. 6）。

6.4.1 整合的前提：样本配对、矩阵约定与尺度异质

整合在数学上能成立，依赖三个前提。第一个前提是样本配对(sample pairing)：每一层的第 j 列必须来自同一个样本。这在实验设计阶段就要写入方案——组织采集时按层分装（一份提 DNA、一份提 RNA、一份做蛋白与代谢提取），处理顺序在层间与组间随机化，批次因素与疾病分组保持平衡，不得让所有病例在星期一处理、对照在星期五处理。设计原则与 4.3 节讨论表达实验时的完全随机与区组设计一致：配对是多组学语境下「生物学重复」的自然延伸，配对单位是个体而非芯片。

第二个前提是矩阵的行—列约定。本教程统一采用「特征×样本」：行是特征（基因、蛋白、代谢物、变异位点），列是样本。不同软件的默认相反（例如 WGCNA 的 R 实现要求样本为列，而某些聚类包要求样本为行），跨层拼接之前必须统一约定，并完成标识符映射——探针号归并到基因号、蛋白条目归并到基因号，一对多的行要先聚合（取最大值或平均）再对齐，否则「同一列」名存实亡。

第三个前提是尺度异质的处理。四层数据的数学类型不同：RNA 测序输出的是计数（离散、方差随均值增大），芯片与质谱输出连续强度，甲基化 β 值与微生物组成是[0,1] 区间的比例。若不加变换直接拼接，量纲与动态范围的差异会让某一层在联合模型中独占方差。通行做法是逐层变换：计数取 log₂(x+1) 或方差稳定变换；比例取 logit 或反正弦平方根变换以缓解边界压缩；最后各层分别标准化（例如每特征 z 评分），使每层以可比的尺度进入整合（习题 6.4-1 之 (c) 会回到这一点）。

在这一切之上，还要与批次效应(batch effects)作斗争。试剂批号、杂交日期、测序平台与操作者都会在数据中留下系统性的偏移；若批次与生物学分组混杂，「层间差异」与「批次差异」在统计上无法区分。校正的代表方法是 ComBat：以经验贝叶斯收缩估计各批次的位移与尺度参数并予以移除，在小样本下也较为稳健（Johnson et al., 2007）。但校正不能替代设计——ComBat 的前提是批次与分组不完全混杂，这一点只有在随机化阶段才能保证（呼应 4.3 节）。图 6.4-1 给出整合前的数据组织形态。

6.4.2 整合策略的分类：融合层级与监督方式

矩阵对齐之后，以何种方式联合建模？文献中通行按融合发生的层级分为三类。早期融合(early fusion)把各层（标准化后）按特征方向拼接成一个大矩阵，交给单一模型处理；它完整保留了跨层特征之间的相互作用，但维度被抬得更高，且高维层（表达上万行）容易在距离与方差类方法中淹没低维层（代谢数百行）。晚期融合(late fusion)对各层分别建模，再在决策或统计量层面合并（如对各层的 p 值或预测做荟萃合并）；它对各层的尺度与噪声结构最宽容，也允许部分样本缺层，但跨层交互在建模阶段即已丢失。中间融合(intermediate fusion)介于两者之间：先把每层投影到低维潜在因子，在因子层面整合；有监督的 DIABLO 即属此类思想——在稀疏偏最小二乘框架下选择彼此相关且关联表型的多组学潜在变量组。

另一条正交的分类轴是监督方式。无监督整合不使用表型标签，目的是发现跨层的共变结构：最简单的是联合 PCA——把拼接矩阵做主成分分析（4.5 节），其代价与早期融合相同；代表性方法是多组学因子分析，MOFA 把各层建模为一组潜在因子的线性组合加噪声，用贝叶斯推断自动区分跨层共享的因子与某层特异的因子，从而把「哪些变异是全局的、哪些只发生在蛋白层」变成一个显式的分解问题（Argelaguet et al., 2018）。有监督整合则瞄准一个外部表型 Y（疗效、生存、亚型），代表方法是多块偏最小二乘(multi-block PLS)：为每层寻找与 Y 协方差最大的潜在方向，再按块贡献加权合并，同时输出各层特征的权重用于筛选联合标志物。

6.4.3 代表方法：加权基因共表达网络分析（WGCNA）

单层网络分析中最成功的思路之一，是先把上万个基因「打包」成少数共变团块，再让团块与性状对话。加权基因共表达网络分析(weighted gene co-expression network analysis, WGCNA)由 Zhang 与 Horvath（2005）给出一般框架、Langfelder 与 Horvath（2008）发布配套软件，其直觉是：若两个基因在几十上百个样本中总是同涨同跌，它们大概受同一调控因子控制、或处于同一通路。

第一步由相关矩阵构造加权邻接。硬阈值（只保留 |cor| 超过某值的边）对阈值极其敏感，丢掉的信息不连续；WGCNA 改用软阈值(soft thresholding)——把相关系数的绝对值取 β 次幂：

第二步计算拓扑重叠矩阵(topological overlap matrix, TOM)：两基因的拓扑重叠 ω_ij = (a_ij + Σ_k a_ika_kj) / (min(k_i, k_j) + 1)，其中 k_i 为基因 i 的连接度。直觉是：即便 i 与 j 直接相关不强，若它们共享大量邻居，仍应视为同一团——分子生物学中这对应「同一复合体或同一通路的成员未必两两互作」。TOM 显著降低了由噪声相关造成的假边，是 WGCNA 稳健性的关键一步。

第三步以 1−ω_ij 为距离做层次聚类，用动态剪枝（dynamic tree cut）在树状图上切出共表达模块(co-expression module)——内部连接密集的基因群，未归入任何模块者记为灰色。第四步为每个模块计算模块特征基因(module eigengene, ME)，即该模块表达子矩阵的第一主成分（PCA 见 4.5 节），可把它理解为模块表达水平的「总分」；随后把 ME 与外部性状做相关，回答「哪个模块的开关连着哪个表型」。模块内连接度（或 ME 相关度 k_ME）最高的基因称为枢纽基因(hub gene)，处于模块的拓扑中心，常是关键调控因子，因而也是实验验证的首选对象——它比「差异表达基因清单」更接近因果链的上游。整个流程与模块解读见图 6.4-2。

模块的生物学判读依赖功能富集：把模块成员列表送入 GO 或通路富集分析（基因注释词汇见 2.5 节），若某模块富集「核糖体结构成分」或「免疫应答」，模块的身份即有了外部参照。应用范式上，肿瘤研究中反复出现的分析是「模块—生存关联」：对某癌种的队列做 WGCNA，将与总生存期相关最强的模块及其枢纽基因作为预后与机制研究的候选——例如细胞增殖相关模块常在多种肿瘤中与不良预后相关。需要强调，这类关联仍是相关层面的证据，模块内部的调控方向须交由 6.4.4 的方法与扰动实验裁决。

6.4.4 网络推理：从相关到因果的三条路径

模块告诉我们「谁与谁一起动」，但相关不等于因果：A 与 B 同涨同跌，可能是 A 推动 B、B 推动 A，也可能是第三个因素 C 同时推动两者。把「边」变成有方向的调控假设，即网络推理(network inference)（6.1 节所称的逆向问题），有三条互不排斥的路径。

路径一：时间先后。在多个时间点上追踪系统（如刺激后的 0、1、2、4、8 小时表达谱），因果的箭头原则上顺着时间指向：早期变化的分子才能成为晚期变化的原因。时间序列由此支持动态网络模型（如动态贝叶斯网络或时滞相关），其代价是对采样密度敏感——采样间隔太稀，快过程会被漏记，出现「果先于因」的假象。

路径二：干预扰动。最直接的因果证据来自实验：敲除或过表达某基因、用药物抑制某激酶，再观察下游全网的变化——被扰动者的下游才会系统性移动。6.3 节的 eQTL 提供了一种「自然实验」：基因型在减数分裂时随机分配、先于且不受后天表达的影响，若某变异系统性改变某基因表达，「变异→表达」的方向便由生物学事实担保——这是孟德尔随机化思想在多组学中的锚点，药物处理则提供人为版本的同类锚。

路径三：条件独立性。纯观察数据也有部分方向信息可用，其载体是贝叶斯网络(Bayesian network)：以有向无环图（DAG）表示变量间的条件依赖结构，图与分布由链式分解相联系：

与贝叶斯网络同属结构化因果建模的还有结构方程模型(structural equation modeling, SEM)：允许在路径图中写入先验的线性（或非线性）方程与潜变量，对整条通路的拟合优度做整体检验——一句话概括，贝叶斯网络自下而上搜索结构，SEM 自上而下检验假设的结构。

然而观察数据对方向的辨识有一个不可逾越的限度：若两个 DAG 蕴含相同的条件独立关系，则任何观察性数据都无法区分它们——这样的 DAG 构成一个马尔可夫等价类(Markov equivalence class)。三变量链 X→M→Y、反链 X←M←Y 与分叉 X←M→Y 同属一个等价类：三者都蕴含「给定 M 时 X 与 Y 条件独立」；唯有碰撞结构 X→M←Y 不同——它蕴含 X 与 Y 边际独立、给定 M 时反而相关。因此结构学习至多输出一个「部分有向」的图（CPDAG）：碰撞结构与被无环性约束的边有方向，其余边只能保持无向（图 6.4-3）。

6.4.5 大型整合项目：作为基础设施的多组学

方法之外，整合还需要数据生态的支撑。决定性的范例是癌症基因组图谱(The Cancer Genome Atlas, TCGA)：2006 年由美国国家癌症研究所（NCI）与国家人类基因组研究所（NHGRI）联合启动，先以胶质母细胞瘤与卵巢癌试点，继而在约十年间扩展到 30 余种肿瘤类型、累计逾万例样本（后一句为超出原书 2009 年时点的延伸注记）。其组织学值得专门一提：肿瘤组织经统一生物标本核心机构采集、病理复核与分装；各层测量（体细胞突变、拷贝数、mRNA 表达、DNA 甲基化，部分样本另有蛋白与 miRNA）由专门的基因组鉴定中心按统一流程完成；临床随访与元数据随数据一并归档；全部数据经协调的中心化流程处理成以样本为列、逐层对齐的矩阵后开放获取。换言之，TCGA 生产的不仅是数据，更是「样本配对 + 标准管线 + 公共获取」这套让 6.4.1–6.4.4 的方法可以运转的基础设施。

国际层面的对应物是 2008 年发起的国际癌症基因组联盟（ICGC），以统一的数据标准协调各国的肿瘤基因组项目，与 TCGA 互补衔接。这类「多组学基础设施」的意义有三层：其一，把配对样本的稀缺性摊薄到整个社区——单个实验室难以完成的四层配对，在公共队列里成为常规资源；其二，以标准化流程压低批次与平台差异，使不同分析者的结果可以互相复核；其三，催生了泛癌种（pan-cancer）层面的再分析——把数十种肿瘤放在同一框架下比较模块与通路的收敛与分化，这是任何单癌种研究都给不出的视角。方法（6.4.2–6.4.4）与数据生态（本节）互为条件：没有配对矩阵，方法是屠龙之技；没有方法，矩阵只是硬盘上的字节。

6.4.6 评价规范与常见陷阱

整合分析的结果如何取信？第一道关口是预测性能的验证。凡声称「联合模型优于单层模型」，必须在交叉验证（理想是嵌套交叉验证——特征筛选与模型调参全部置于内层循环之内）或独立外部队列上报告性能，并与单层基线比较；这一规范即 4.5 节对过拟合警示的多组学重述——特征更多、自由度更大，过拟合的风险只增不减。置换检验（随机打乱标签重跑全流程）是报告显著性的配套手段。

第二道关口是循环论证的防范。典型病灶：先用临床标签挑出与生存最相关的模块，再在同一批样本上检验「该模块与生存相关显著」——筛选与检验用的是同一份数据，p 值自然漂亮而信息量为零。规范做法是把筛选与检验分配到互斥的样本子集（或用样本分裂、重采样报告稳定性），并在报告模块—性状关联时同时给出效应量与多重检验校正后的统计量。

第三道关口是样本量与特征数之比。多组学把 p≫n 推到极端：特征以十万百万计，配对样本常不过数十至数百。直接后果是模型方差巨大、变量选择不稳定（换一成样本，选出的「标志物」换一批）。对策包括正则化与降维先行、特征预筛只在训练折内进行、以及报告「选择稳定性」本身作为结果的一部分。第四道关口是可重复的分析流程：整合分析动辄串起数十个工具，版本漂移即可改变结论；当代实践要求把全流程固化为容器（如 Docker）加工作流引擎（如 Snakemake、Nextflow）的可执行脚本，连同参考数据版本一并存档，使第三方可以逐字节重跑——这既是对抗「批次效应的计算版本」，也是把 6.4.5 的基础设施精神延伸到分析端。

至此，本节完成了「同一批样本、多层矩阵、联合建模、网络与因果假设、公共基础设施、评价规范」的完整链条。网络的镜头照见的是同一个体内部各层之间的组织；下一节把镜头拉到亿年尺度，看全基因组数据如何组织物种之间的关系——6.5 系统发育基因组学。