Codar 预置工作流

MOFA 多组学因子分析

用于通过MOFA/MOFA+提取跨组学潜在因子、解释变异来源和处理部分缺失;当任务以无监督结构发现为主时使用。

多组学整合5 个步骤v1更新于 2026-11-19

流程图

  • 数据输入
  • 核心分析
  • 结果输出

步骤说明5 步

  1. 对齐样本并对各数据层做适当尺度处理数据输入

    对齐样本并对各数据层做适当尺度处理,过滤无信息特征但保留规则。

    下一步02 设定因子数、稀疏性和随机种子

  2. 设定因子数、稀疏性和随机种子核心分析

    设定因子数、稀疏性和随机种子,多次初始化比较收敛与解的稳定性。

    下一步03 检查每个因子在各组学的解释方差

  3. 检查每个因子在各组学的解释方差核心分析

    检查每个因子在各组学的解释方差,识别被单一批次或技术指标主导的因子。

    下一步04 依据高权重特征和样本因子分数解释生物含义

  4. 依据高权重特征和样本因子分数解释生物含义核心分析

    依据高权重特征和样本因子分数解释生物含义,并用外部变量关联但控制多重检验。

    下一步05 输出因子分数、特征权重、方差解释、稳定性和批次诊断

  5. 输出因子分数、特征权重、方差解释、稳定性和批次诊断结果输出

    输出因子分数、特征权重、方差解释、稳定性和批次诊断。

使用原则

  • 参考上述步骤、工具和依赖关系,结合本次目标、数据与可用工具安排研究过程。
  • 可以调整顺序、补充必要检查或省略不适用的步骤,重要调整需说明原因。
  • 用户本次的明确要求优先于此参考;关键意图不清楚时先提问。

workflow.md

查看工作流源文件
---
format: codar-workflow
schemaVersion: 1
layoutDirection: TD
id: "10-multi-omics-integration-mofa-lnkf63f5"
version: 1
name: "MOFA 多组学因子分析"
domain: "多组学整合"
description: "用于通过MOFA/MOFA+提取跨组学潜在因子、解释变异来源和处理部分缺失;当任务以无监督结构发现为主时使用。"
---

# MOFA 多组学因子分析

## 流程图

```mermaid
flowchart TD
    n1["对齐样本并对各数据层做适当尺度处理"]
    n2["设定因子数、稀疏性和随机种子"]
    n3["检查每个因子在各组学的解释方差"]
    n4["依据高权重特征和样本因子分数解释生物含义"]
    n5["输出因子分数、特征权重、方差解释、稳定性和批次诊断"]
    n1 --> n2
    n2 --> n3
    n3 --> n4
    n4 --> n5
```

## 节点

### 对齐样本并对各数据层做适当尺度处理 {#n1}
- 类别: 数据输入
- 位置: 40, 40
- 说明: |
  对齐样本并对各数据层做适当尺度处理,过滤无信息特征但保留规则。

### 设定因子数、稀疏性和随机种子 {#n2}
- 类别: 核心分析
- 位置: 40, 176
- 说明: |
  设定因子数、稀疏性和随机种子,多次初始化比较收敛与解的稳定性。

### 检查每个因子在各组学的解释方差 {#n3}
- 类别: 核心分析
- 位置: 40, 312
- 说明: |
  检查每个因子在各组学的解释方差,识别被单一批次或技术指标主导的因子。

### 依据高权重特征和样本因子分数解释生物含义 {#n4}
- 类别: 核心分析
- 位置: 40, 448
- 说明: |
  依据高权重特征和样本因子分数解释生物含义,并用外部变量关联但控制多重检验。

### 输出因子分数、特征权重、方差解释、稳定性和批次诊断 {#n5}
- 类别: 结果输出
- 位置: 40, 584
- 说明: |
  输出因子分数、特征权重、方差解释、稳定性和批次诊断。

## 使用原则

- 参考上述步骤、工具和依赖关系,结合本次目标、数据与可用工具安排研究过程。
- 可以调整顺序、补充必要检查或省略不适用的步骤,重要调整需说明原因。
- 用户本次的明确要求优先于此参考;关键意图不清楚时先提问。