子痫前期胎盘多组学整合
生信软件与 GitHub 工具选型调研报告

MOFAcell 把 MOFA 改造为跨细胞类型样本层整合，分解出"多细胞转录程序"

每个 view = 一种细胞类型按样本聚合的 pseudobulk；无监督分解出共享潜空间中的多细胞程序，疾病标签事后关联——正对应"用 scRNA pseudobulk 跨亚群发现协同机制程序"。与现有 WGCNA 数据驱动轨道并行/增强而非替换。

n=8 远低于 MOFA 可靠区；因子必须配稳健性检验

MOFA 作者称因子分析"至少需 >15 样本"；独立基准在 n=53 即见 MOFA/sparse mCCA 过拟合、n≤50 普遍不稳，而 AJIVE 在小 n 最稳。本项目 n=8 明确处于不可靠区。

MOFA 以"样本"为共享维度，TCGA 式队列整合，自动处理缺失模态

数据模型是共享样本/观测索引的矩阵（非同细胞共测），能处理不同特征数、自动忽略缺失值（无隐式插补），匹配本项目样本层场景。

MOFA 全栈有纯 Python 实现，无需安装 R

核心训练在 mofapy2（纯 Python/NumPy，pip install mofapy2）；R 包 MOFA2 仅为可选封装。scverse 的 muon（100% Python，NumFOCUS）内置 mu.tl.mofa()；MOFAcell 经 liana-py 提供 Python 路径——满足 pe_env 仅 Python 的约束。

DIABLO 是有监督多块判别，针对 PE/对照结局做样本层整合，基准 MCC 领先

mixOmics 的 N-integration（同一批样本上不同检测），多块 sPLS-DA + 设计矩阵最大化跨组学协方差，稀疏特征选择利于可解释机制。监督基准中位 MCC 最高、被荐为通用兜底。宿主语言为 R。

MEFISTO 仅在样本有连续空间/时间协变量时增值，对静态病例/对照无用

MEFISTO 是 MOFA 框架内加高斯过程建模空间/时间依赖的扩展（同为 Python）。但需连续协变量驱动 GP 先验；分类的病例/对照标签不能驱动 → 退化为普通 MOFA。仅可能用于 MALDI-MSI/Visium 的样本内空间整合，且本项目缺切片图像使应用受限。

整合更多组学并不一定更好，反而可能损害性能

两篇独立同行评审基准（任务不同）一致：加入更多数据类型常使整合性能下降（噪声相消、冗余、统计挑战）。本项目应谨慎、有选择纳入模态，优先信号已验证、样本重叠好的组学。

癌症亚型基准：NEMO/SNF 居前，但排名场景依赖；n=8 分层意义有限

十方法基准中 NEMO 总体最佳、其次 SNF/iClusterBayes/LRAcluster；但排名随场景而变、存在跨设计乐观偏差。SNF 有 Python 实现（snfpy）适配 pe_env，但 8 例做无监督分层统计可行性弱，至多作探索性辅助。

同细胞多模态法不适用；小 n 下多数无监督整合需高度保留

• ❌ Seurat WNN / totalVI / multiVI——需同一细胞共测多模态，本项目是跨独立检测的样本层整合，不适用。
• ⚠ MOFA/MOFA+ 无监督因子——n=8 远低于可靠区，无稳健性检验则不可信。
• ⚠ SNF/iClusterBayes 整合聚类——8 例分层统计意义有限。
• ⚠ MEFISTO——对静态病例/对照设计退化为普通 MOFA，无增值。
• ✅ 澄清："muon 仅面向同细胞数据"的说法本轮被否决（1-2）——muon 可作 Python 统一容器承载样本层 MOFA。