MOFA2 快速上手5 步完成多组学数据整合与因子分析【免费下载链接】MOFA2Multi-Omics Factor Analysis项目地址: https://gitcode.com/gh_mirrors/mo/MOFA2如果你在同一批样本上测了多种组学比如 RNA-seq、ATAC-seq、甲基化却始终搞不清每一层数据各自贡献了什么变异MOFA2 要解决的就是这个问题。它用概率因子分析模型对多组学数据做无监督整合把各层观测的变异分解成少量共享的潜在因子再告诉你每个因子背后是哪些分子特征在驱动。MOFA2 是一个 R 包当前版本 1.23.0训练时通过 reticulateR 与 Python 的桥梁调用 Python 端的 mofapy2 完成计算分析画图则留在 R 里完成。它适合两类人手上有多组学数据的生物信息研究者以及想用因子分析做降维、聚类和特征发现的普通用户。它到底能帮你干什么场景一把多组学压成一张总地图。每个因子对每个样本都有一个取值因子矩阵本质上就是一份整合了所有组学层的降维结果。你可以直接拿它给样本聚类、做散点图或者用correlate_factors_with_covariates检验哪些因子和年龄、疾病状态等协变量相关。场景二搞清楚每个因子由什么特征撑起。训练完以后plot_top_weights能展示每个因子的头部特征基因、峰等再配合run_enrichment做富集分析就能把因子 3 显著富集于细胞周期基因这类生物学结论落下来。如果你的样本还有时间或空间维度比如发育时序、组织位置包内置的 MEFISTO 框架可以让因子沿时间/空间平滑变化见 vignettes/MEFISTO_temporal.Rmd。5 分钟跑起来最小上手路径先备环境R ≥ 4.0另加一个装了mofapy2、numpy、pandas、h5py、scipy、sklearn的 Python 3 环境。然后装包remotes::install_git(https://gitcode.com/gh_mirrors/mo/MOFA2)不想准备真实数据包自带模拟数据生成器4 行代码就能把完整流程跑通library(MOFA2) data - make_example_data(n_views 2, n_samples 200, n_features 1000, n_factors 10)[[1]] obj - create_mofa(data) # 建对象 obj - prepare_mofa(obj) # 应用默认数据/模型/训练选项 obj - run_mofa(obj) # 连上 Python 端开始训练训练日志会逐轮打印 ELBO模型似然下界收敛后模型存在model.hdf5里。接下来用get_factors拿因子、get_variance_explained看每个因子解释了多少方差、plot_data_overview检查数据长什么样。数据怎么喂进去长表格推荐多组学复杂数据5 列sample、feature、view、group可省、value缺失值不用自己补矩阵列表每个 view 一个矩阵样本为行、特征为列也支持从 Seurat、MultiAssayExperiment 对象直接转换只想用 PythonR 包只是入口之一底层 mofapy2 本身独立可用from mofapy2.run.entry_point import entry_point ent entry_point() ent.set_data_df(data) # 长表格sample/feature/view/group/value ent.set_model_options(factors5) ent.build(); ent.run(); ent.save(model.hdf5)关键参数速查调哪几个、怎么调所有选项都能用get_default_data_options/get_default_model_options/get_default_training_options取到默认值再按需覆盖。真正需要关注的就这几个参数归属默认值什么时候改num_factors模型选项10先设 5–15跑完看方差解释率再定likelihoods模型选项gaussian按 view 设计数数据用poisson二值用bernoulliscale_views数据选项FALSE各层数值范围差异大时打开convergence_mode训练选项fast探索用 fast出最终模型换medium或slowmaxiter训练选项1000数据量大、没收敛时上调gpu_mode训练选项FALSE装了 cupy 且有 GPU 时打开seed训练选项随机设固定值保证结果可复现训练前有两步预处理比调参更重要归一化成连续值RNA-seq 这类计数数据先做 size factor 归一化 log 变换模型对连续值表现最好筛选高变特征HVGs每层各选一批高变特征训练更快、因子推断更稳层之间维度差很多时对大的层选得更狠一些另外注意因子分析要求样本量至少 15 个左右且各层数据要来自同一批样本允许个别样本缺某一层。目录速览代码都在哪目录一句话说明R/全部源码create_mofa、prepare_mofa、run_mofa、绘图与下游分析函数都在这inst/scripts/R 和 Python 的模板脚本想抄一份直接改的入口vignettes/官方教程R 端训练入门、MEFISTO 时序、下游分析tests/单元测试改动源码后可以跑一遍回归完整可复制的流程参考 inst/scripts/template_script.R教程看 vignettes/getting_started_R.Rmd。下一步与常见坑 ⚠️run_mofa报错九成是 Python 环境确认reticulate连到的是那个装齐了 mofapy2 六件套的环境多环境时用reticulate::use_python(路径)显式指定跳过预处理直接跑不归一化、不选高变特征不仅训练慢因子也基本没法解释多组groups功能别碰太早它是进阶特性官方明确建议新手先不用模型怎么存run_mofa产出model.hdf5在 R 端分析的话把save_data TRUE存进 hdf5后续取数方便想继续深入先读下游分析教程重点玩plot_factors、correlate_factors_with_covariates和run_enrichment这三个函数——多组学故事基本就是靠它们讲完的。【免费下载链接】MOFA2Multi-Omics Factor Analysis项目地址: https://gitcode.com/gh_mirrors/mo/MOFA2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 MOFA2 快速上手：5 步完成多组学数据整合与因子分析
MOFA2 快速上手5 步完成多组学数据整合与因子分析【免费下载链接】MOFA2Multi-Omics Factor Analysis项目地址: https://gitcode.com/gh_mirrors/mo/MOFA2如果你在同一批样本上测了多种组学比如 RNA-seq、ATAC-seq、甲基化却始终搞不清每一层数据各自贡献了什么变异MOFA2 要解决的就是这个问题。它用概率因子分析模型对多组学数据做无监督整合把各层观测的变异分解成少量共享的潜在因子再告诉你每个因子背后是哪些分子特征在驱动。MOFA2 是一个 R 包当前版本 1.23.0训练时通过 reticulateR 与 Python 的桥梁调用 Python 端的 mofapy2 完成计算分析画图则留在 R 里完成。它适合两类人手上有多组学数据的生物信息研究者以及想用因子分析做降维、聚类和特征发现的普通用户。它到底能帮你干什么场景一把多组学压成一张总地图。每个因子对每个样本都有一个取值因子矩阵本质上就是一份整合了所有组学层的降维结果。你可以直接拿它给样本聚类、做散点图或者用correlate_factors_with_covariates检验哪些因子和年龄、疾病状态等协变量相关。场景二搞清楚每个因子由什么特征撑起。训练完以后plot_top_weights能展示每个因子的头部特征基因、峰等再配合run_enrichment做富集分析就能把因子 3 显著富集于细胞周期基因这类生物学结论落下来。如果你的样本还有时间或空间维度比如发育时序、组织位置包内置的 MEFISTO 框架可以让因子沿时间/空间平滑变化见 vignettes/MEFISTO_temporal.Rmd。5 分钟跑起来最小上手路径先备环境R ≥ 4.0另加一个装了mofapy2、numpy、pandas、h5py、scipy、sklearn的 Python 3 环境。然后装包remotes::install_git(https://gitcode.com/gh_mirrors/mo/MOFA2)不想准备真实数据包自带模拟数据生成器4 行代码就能把完整流程跑通library(MOFA2) data - make_example_data(n_views 2, n_samples 200, n_features 1000, n_factors 10)[[1]] obj - create_mofa(data) # 建对象 obj - prepare_mofa(obj) # 应用默认数据/模型/训练选项 obj - run_mofa(obj) # 连上 Python 端开始训练训练日志会逐轮打印 ELBO模型似然下界收敛后模型存在model.hdf5里。接下来用get_factors拿因子、get_variance_explained看每个因子解释了多少方差、plot_data_overview检查数据长什么样。数据怎么喂进去长表格推荐多组学复杂数据5 列sample、feature、view、group可省、value缺失值不用自己补矩阵列表每个 view 一个矩阵样本为行、特征为列也支持从 Seurat、MultiAssayExperiment 对象直接转换只想用 PythonR 包只是入口之一底层 mofapy2 本身独立可用from mofapy2.run.entry_point import entry_point ent entry_point() ent.set_data_df(data) # 长表格sample/feature/view/group/value ent.set_model_options(factors5) ent.build(); ent.run(); ent.save(model.hdf5)关键参数速查调哪几个、怎么调所有选项都能用get_default_data_options/get_default_model_options/get_default_training_options取到默认值再按需覆盖。真正需要关注的就这几个参数归属默认值什么时候改num_factors模型选项10先设 5–15跑完看方差解释率再定likelihoods模型选项gaussian按 view 设计数数据用poisson二值用bernoulliscale_views数据选项FALSE各层数值范围差异大时打开convergence_mode训练选项fast探索用 fast出最终模型换medium或slowmaxiter训练选项1000数据量大、没收敛时上调gpu_mode训练选项FALSE装了 cupy 且有 GPU 时打开seed训练选项随机设固定值保证结果可复现训练前有两步预处理比调参更重要归一化成连续值RNA-seq 这类计数数据先做 size factor 归一化 log 变换模型对连续值表现最好筛选高变特征HVGs每层各选一批高变特征训练更快、因子推断更稳层之间维度差很多时对大的层选得更狠一些另外注意因子分析要求样本量至少 15 个左右且各层数据要来自同一批样本允许个别样本缺某一层。目录速览代码都在哪目录一句话说明R/全部源码create_mofa、prepare_mofa、run_mofa、绘图与下游分析函数都在这inst/scripts/R 和 Python 的模板脚本想抄一份直接改的入口vignettes/官方教程R 端训练入门、MEFISTO 时序、下游分析tests/单元测试改动源码后可以跑一遍回归完整可复制的流程参考 inst/scripts/template_script.R教程看 vignettes/getting_started_R.Rmd。下一步与常见坑 ⚠️run_mofa报错九成是 Python 环境确认reticulate连到的是那个装齐了 mofapy2 六件套的环境多环境时用reticulate::use_python(路径)显式指定跳过预处理直接跑不归一化、不选高变特征不仅训练慢因子也基本没法解释多组groups功能别碰太早它是进阶特性官方明确建议新手先不用模型怎么存run_mofa产出model.hdf5在 R 端分析的话把save_data TRUE存进 hdf5后续取数方便想继续深入先读下游分析教程重点玩plot_factors、correlate_factors_with_covariates和run_enrichment这三个函数——多组学故事基本就是靠它们讲完的。【免费下载链接】MOFA2Multi-Omics Factor Analysis项目地址: https://gitcode.com/gh_mirrors/mo/MOFA2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考