MOFA2多组学因子分析：从入门到精通的完整指南 🧬

多组学因子分析MOFA2是一个强大的统计框架，专门用于整合多组学数据集的非监督分析。MOFA2能够从包含多个组学层面和/或样本组的数据集中识别主要变异轴，为生物医学研究提供深入的洞察力。

🎯 什么是MOFA2多组学因子分析？

MOFA2是一个概率因子模型，旨在从复杂多组学数据中提取共享的变异模式。它能够处理多种数据类型，包括：

• 连续数据：使用高斯似然建模
• 小计数数据：使用泊松似然建模
• 二元测量数据：使用伯努利似然建模

核心功能源码位于R/目录，包含create_mofa.R、run_mofa.R等关键模块。

🚀 快速开始：安装与配置

安装MOFA2非常简单，首先确保你的系统满足以下要求：

• R版本 >= 4.0
• Python >= 3.0
• 必要的Python包：numpy、pandas、h5py、scipy等

# 安装MOFA2
if (!requireNamespace("BiocManager", quietly = TRUE))
    install.packages("BiocManager")

BiocManager::install("MOFA2")

📊 数据预处理最佳实践

标准化处理

数据标准化是MOFA2分析成功的关键。对于基于计数的数据（如RNA-seq或ATAC-seq），我们推荐使用：

• 大小因子标准化
• 方差稳定化变换（如对数变换）

特征选择策略

强烈建议对每个检测进行高变特征（HVGs） 选择，这能确保更快的训练和更稳健的推理过程。

🔧 创建MOFA对象

MOFA2支持多种输入格式，满足不同用户的需求：

矩阵列表格式

# 创建示例数据
data <- make_example_data(
  n_views = 2,
  n_samples = 200,
  n_features = 1000,
  n_factors = 10
)[[1]]

# 创建MOFA对象
MOFAobject <- create_mofa(data)

长数据框格式

适用于包含多个组学和潜在多个数据组的复杂数据集。

⚙️ 配置模型参数

数据选项配置

通过get_default_data_options.R设置：

• scale_groups：组间缩放
• scale_views：视图间缩放

模型选项设置

使用get_default_model_options.R定义：

• num_factors：因子数量
• likelihoods：每个视图的似然函数

🏃‍♂️ 训练MOFA模型

准备好所有配置后，即可开始训练：

# 准备MOFA对象
MOFAobject <- prepare_mofa(
  object = MOFAobject,
  data_options = data_opts,
  model_options = model_opts,
  training_options = train_opts
)

# 训练模型
MOFAobject.trained <- run_mofa(MOFAobject, outfile)

训练过程中，你将看到类似以下的输出：

######################################
## Training the model with seed 1 ##
######################################

Iteration 1: time=0.03, ELBO=-52650.68
...
#######################
## Training finished ##
#######################

📈 下游分析功能

MOFA2提供了丰富的下游分析工具，位于R/目录：

• 方差解释分析：calculate_variance_explained.R
• 样本聚类：cluster_samples.R
• 富集分析：enrichment.R
• 数据可视化：plot_data.R

💡 实用技巧与注意事项

1. 样本数量要求：至少需要15个样本才能获得可靠结果
2. 数据匹配性：多模态测量必须来自相同样本
3. 特征平衡：对于维度差异很大的数据模态，建议对较大的视图进行更强的特征选择

🎉 结语

MOFA2多组学因子分析为研究人员提供了一个强大的工具，能够从复杂的多组学数据中提取有意义的生物学见解。通过本指南，你已经掌握了从安装配置到模型训练的全流程知识。

更多详细教程和示例可在vignettes/目录中找到，包括getting_started_R.Rmd和downstream_analysis.Rmd等资源。