4.1 多组学数据整合：把性状拆成数据层

4.1 多组学数据整合：把性状拆成数据层

本节摘要：基因组只解释了性状的一部分，转录组、蛋白组、代谢组把"基因到性状"的链条拆成可分层观测的过程。本节讲四类组学各自测什么、误差结构什么样、整合分析的两种策略（多层网络与矩阵拼接），以及共定位与因果方向的基本纪律。多组学是数据引擎的进料口。

一条产量曲线的解剖

第 2 章的基因组选择能预测育种值，但预测不等于解释：模型告诉你哪个株系可能高产，说不清为什么。要回答"为什么"，就得把性状拆开看过程——基因组的差异先变成转录差异（哪些基因在表达、表达多少），再变成蛋白差异（哪些酶真的在场），最后变成代谢差异（通路上什么物质堆积、什么缺乏），末端才是我们测的产量。每一层都有自己独立的调控与噪声，只测一层就像只看一场球赛的射门集锦：结果知道，过程丢失。多组学的动机就是补齐过程。

关键认识：基因组是快照，其余三层是电影。表达量随组织、发育时期、胁迫处理剧烈变化——采样设计（几点取、取哪个部位、取几份重复）对转录组结论的影响，常常大于生物学本身的差异。这是多组学项目失败的第一大原因：不是测不出数据，是数据测得"不可比"。

图：从基因组到表型的四层观测与整合位点

整合的两种策略

多层网络路线先用每层内部的相关结构把数万个分子聚成几十个模块（例如共表达模块——一群"同涨同跌"的基因），再让模块与性状关联、跨层对接（转录模块连代谢模块）。它的好处是降维幅度大、结果可解释（"这个模块富集了苯丙烷通路基因，与抗旱指数负相关"），坏处是丢失模块内细节。矩阵拼接路线把各层按样本对齐后直接拼宽表，交给多模态模型学习。它保留了细节，但对批效应（不同批次、不同平台的系统偏差）极其敏感——不先做批次校正，模型学到的是"哪台机器测的"而不是生物学。

一个最小演算，展示"层间关联必须跨过共定位这道桥"：

问题：转录组发现基因 X 的表达与抗旱指数显著相关（p 很小），
     是否说明 X 就是抗旱基因？
检查链条：
  1) 表达相关 ≠ 因果：可能是抗旱株系整体状态好，连带 X 高表达
  2) 共定位检验：把表达数量位点（eQTL）与抗旱 QTL 的区间比对，
     若 X 的调控区间与抗旱 QTL 置信区间重叠 → 证据升级
  3) 方向检验：用等位基因做工具变量（孟德尔随机化思路），
     检验"基因型 → X 表达 → 抗旱"的方向是否成立
  4) 干扰排查：X 是否也在其他组织高表达？时相是否在胁迫后？
结论模板：X 是抗旱的候选调控因子（证据等级：共定位支持、
         方向一致、待编辑验证）——留一个到 2.4 节闭环的钩子。
​

这个链条就是多组学的"证据分级"：相关 → 共定位 → 方向 → 干预验证。跳级的结论（一有相关就宣称找到机制）是多组学文献里最常见的水分。

给项目的选型建议

不是每个项目都要四层全测。按问题选层：要预测，基因组层性价比最高（2.3 节已解决）；要理解机制，转录组起步（便宜、成熟），代谢组补"离表型最近的一层"；蛋白组与修饰组留给关键节点深挖。采样设计铁律：同一层内做好生物学重复与技术重复，跨层共享同一批样本，元数据（时间、组织、处理、操作者）与数据一起入库——这直接衔接下一节的数据平台。

⚠️ 常见坑：跨层比较时忘了各层"单位不同"。基因型是分类变量、表达量是计数、代谢物是浓度，直接拼进一个线性模型，系数比较没有意义——先各自标准化或走多层框架。

💡 关键直觉：多组学不是"多测几层"的技术堆叠，而是把 1.3 节那条"基因型到表型"的黑箱拆成可观测的中间站——每一层都是检验假设的检查点。

常见追问

预算只够测一层，选哪层？ 按项目目标倒推：目标是预测与选择（育种值、晋级排序），基因组层性价比最高，其余层是锦上添花；目标是理解机制或找新靶点，转录组起步（成本成熟、覆盖全基因），并优先在"对比鲜明的样本"上测（胁迫 vs 对照、抗 vs 感的极端表型个体）——反差设计的信号强度远超随机抽样。代谢组是"离表型最近"的补丁，当转录层与表型对不上时，代谢层常能解释"上游没变、下游变了"的断层。

多层测序的取样时间点怎么定？ 用"过程思维"而不是"快照思维"：性状表达的关键窗口（胁迫后早期响应、灌浆中期）前后各取一两个时点，比单点测量信息量大得多；组织选择同理——抗旱研究取根与叶的分句结论常相反，混组织取样等于把两个故事搅成一杯浑水。取样方案确定后写进元数据（4.2 节），三年后的你或继任者才能正确解读这批数据。

公开数据能直接拿来整合吗？ 能，但先过三道检查：测定平台与处理流程是否可比（不同代的芯片与测序流程批效应巨大）、样品的设计信息是否齐全（无设计信息的公开数据在统计模型里用不上）、来源引用与许可是否允许二次分析（6.3 节的输入合规同样适用于数据）。公开数据的正确用法是"先验与验证"，自己的核心数据链永远要自己掌控。

整合分析还有一条常被违反的顺序纪律：先每层自查、再跨层对齐。每层的差异分析（对照 vs 处理）先在层内做完，跨层整合用"层内结论"对接，而不是把原始测量值直接拼表——直接拼接会让每层的噪声与量纲互相污染，得到的相关里一半是技术相关而非生物相关。慢即是快，在多组学里是字面意思。

本节要点回顾

• 分层观测：基因组是图纸快照，转录、蛋白、代谢是过程电影；采样设计决定数据可比性。
• 两种整合：多层网络先聚类后关联（可解释），矩阵拼接先对齐后建模（保细节但怕批效应）。
• 证据分级：相关 → 共定位 → 方向 → 干预，跳级宣称机制是常见水分。
• 按需选层：预测用基因组，机制加转录与代谢，蛋白修饰留给深挖节点。
• 元数据即生命：没有采样与处理信息的组学数据，价值随时间归零。

数据一层层进来了，往哪里放、怎么管？下一节讲数据平台与知识图谱——组织记忆的外骨骼。