5.5 多组学整合：把数据拼成完整的故事

5.5 多组学整合：把数据拼成完整的故事

本节摘要：基因组、转录组、蛋白组、代谢组各自只拍到一个切面，多组学整合把切面叠成立体。本节梳理三种整合策略与各自的假设前提，并用贯穿案例示范一次完整的跨层解读。

为什么单组学不够

单组学的盲区有明确的分工。转录组看不到翻译后调控——3.1 节给过数字：mRNA 与蛋白丰度的相关性平均只有 0.4 上下；蛋白组看不到代谢物的实时浓度——酶活性变了，代谢流几秒内就转向，蛋白丰度还来不及变；代谢组看不到上游的遗传决定——代谢变化是结果不是原因。真实的生物过程同时发生在所有层：一个信号通路激活，是基因表达、蛋白修饰、代谢通量三线并动的合奏。只看一层，既会漏掉真调控，也会把层内的相关误判为因果。

贯穿案例做最后一次出镜。2.6 节的转录组说通路 P 的基因上调，3.4 节的蛋白组说其中一半的蛋白没跟上（翻译层面被抑制），3.5 节的磷酸化组说另一半被强烈激活。三个切面拼起来，故事从"通路上调"变成了"翻译被压住但激酶活性绕过抑制"——这是单看任何一层都得不到的机制结论，也是多组学的价值本身。

三种整合策略与各自的假设

分层验证（较保守）：各层独立分析后，在生物学层面对表——转录组找差异基因、蛋白组找差异蛋白、取交集或做相关性映射，再叠到通路上讲机制。它最稳，因为不强行把数据揉在一起，代价是只能发现层间一致的信号，错失单层独有的调控。

特征级联合（中等）：把多层矩阵拼起来（同一批样本的基因表达与蛋白丰度横向连接），在联合矩阵上做聚类或回归。假设是各层对同一批样本可配对、量纲差异已处理（各层标准化后加权）。混合模型与多视图方法（MOFA 系）更精细：为每层学一组共同因子加层特异因子，回答"哪些变异是跨层共享的、哪些是某层独有的"。

配对单细胞或多模态（前沿）：同一细胞同时测 RNA 与表面蛋白（CITE-seq）、RNA 与染色质可及性（Multiome），在细胞分辨率上直接配对多层。还有计算配对的路线：对分开测的 scRNA 与 scATAC 样本，用共享特征（基因活性评分）把细胞对齐（如 Seurat 的锚点法）。它最接近"真正的多组学"，但技术与统计都年轻——对齐质量要靠已知标志基因人工验证，不能盲信。

一次跨层解读的完整示范

把整合落成步骤。第一步对齐样本：转录组与蛋白组是同一批肿瘤样本（配对设计在多组学里价值极大，能在样本内直接算层间相关）。第二步分别做内部分析：转录组差异基因、蛋白组差异蛋白、磷酸化修饰差异位点，各自完成归一化与多重校正——5.3 节的成分性与 2.6 节的 size factor 在各层内都不可省。第三步层间映射：把基因-蛋白-修饰位点按中心法则关系连接（基因 EGFR → 蛋白 EGFR → 磷酸化位点 pY1068），计算配对样本内的层间相关，把显著背离相关的层间矛盾对（mRNA 高而蛋白平）单独列出——这些矛盾对恰恰是翻译调控的候选位点。第四步通路级叠合：在 KEGG 通路图上叠加三层的变化方向与幅度，找三层同向的通路（高置信激活）与方向冲突的通路（需要解释的调控开关）。第五步落回验证：挑两条预测做湿实验确认——Western blot 验证蛋白层面、激酶活性实验验证磷酸化层面。

# 层间映射的最小实现：基因-蛋白配对相关（数据为同批样本）
gene_prot <- merge(rna_deg, prot_quant, by = "symbol")
cor(gene_prot$log2FC_rna, gene_prot$log2FC_prot,
    method = "spearman", use = "complete.obs")
# 经验区间：通路激活场景约 0.5 上下；接近 0 的基因子集是翻译调控的候选名单
​

系统生物学的野心与边界

多组学的终点指向系统生物学：把测得的变化装进定量模型（代谢网络模型、基因调控回路），从"描述相关"走到"预测干预"。基因组尺度的代谢模型（GSMM）已经能预测敲除某酶后代谢流的走向，因果推断方法开始把扰动实验（CRISPR 筛选、药物处理）的组学数据变成因果网络。边界同样清楚：观测性组学数据的相关性结构天然受混杂变量污染，层间因果的断言必须靠扰动实验背书——这也是为什么"多组学 + 扰动设计"正在取代"多组学 + 巧妙讲故事"成为高影响力论文的标配。

整合分析的报告规范

多组学论文的审稿风险集中在可核查性，报告规范值得照单执行。样本配对关系要交代：哪些层测了同一批样本、哪些层是独立队列（独立队列只能做方向对照，不能做样本内相关）。各层的预处理要分别写清：归一化方法、批次处理、统计阈值——跨层分析继承了每层的全部假设，任何一层偷懒，整条结论链都要打折。层间映射的依据要给出处：基因与蛋白的对应按中心法则直接映射，修饰位点与蛋白的对应要引知识库编号，反卷积的参考图谱要注明版本。

数据与代码的交付格式也在形成惯例：各层的处理后矩阵连同脚本入库，跨层分析用可执行的 notebook 呈现，让审稿人能顺着 notebook 从矩阵复算到结论。这个领域方法迭代快，两年后的读者能按你的记录重跑，就是分析质量最硬的背书。

整合失败的三种典型方式

多组学项目的失败方式比成功方式更有教学价值。其一是"强扭层间"：把不同队列、不同平台的多层数据强行做样本内相关，算出的层间相关混着平台效应与批次效应，数字漂亮但不可信——层间比较的前提是配对设计或至少同队列同批次。其二是"显著性搬运"：把每层各自的显著基因列表取交集，交集小就改阈值凑大——阈值一调，故事随行，这种整合没有证据价值。其三是"故事先行"：先定机制叙事，再回头在各层数据里找支持片段，反例与矛盾层被忽略——多组学数据量大，想找支持性证据总是能找到的。

健康的整合流程自带证伪环节：预设哪些层间一致模式支持结论、哪些模式若出现将反驳结论，然后让数据对号入座。写分析计划时先把"什么结果会让我放弃这个假设"写下来，是多组学（也是一切高维分析）最便宜的质量保险。

💡 关键直觉：多组学整合的本质是"用层级互相钳制对方的解释"。转录组说活跃、蛋白组说沉默、磷酸化说被激活——每多一层证据，故事的自由度就少一分，结论就越接近机制。

全册至此收束：从 FASTQ 的四行结构到多层证据的机制叙事，问题链的每一环都打通了。剩下的，是把这套方法用在你自己的问题上。