多组学

领域的各种组学学科结合起来。]]

多组学（, multi-omics, integrative omics），或稱泛组学（"panomics"`, "pan-omics"），是一种生物学分析方法，其数据由多个“组”组成，例如基因組、表觀基因組、转录组、蛋白质组、代谢物组、、宏基因组、 、。概念上是利用多种组学技术以跨学科的方式协同研究生命。

通过整合这些“组学”数据，科学家能够分析复杂的生物大数据，发现生物实体间的新型关联，精准定位相关的生物标记（biomarker），并构建出精确反映疾病与生理状态的复杂标记。在此过程中，多组学通过整合多样化的组学数据，寻求"基因型-表現型-环境型"之间协调一致的匹配关系或关联。 OmicTools服务平台收录了超过99款多组学数据分析相关软件，以及99余个该领域的数据库资源。

系统生物学方法通常基于多组学分析数据的使用。美国临床肿瘤学会（ASCO）将泛组学（panomics）定义为“细胞内所有生物功能及其与其他身体功能的相互作用，整合靶向检测收集的数据...与全局检测（如基因组测序）及其他患者特定信息”。

历史
关键词"Multiomics"和"Multi-omics"术语的引用次数]]

1953年4月25日，弗朗西斯·克里克与詹姆斯·沃森揭示DNA结构的发表标志着基因组学研究的转折点。这一发现堪称未来生物技术领域跨学科、跨领域研究发展的历史起点。这些突破性进展最终促成了多组学作为独立学科在20世纪末的诞生。

转录组的解读与研究始于1980年代，逐渐使人们能够在特定环境下识别并量化细胞或组织中的基因表現产物；这标志着人类有机体中基因表現效应的“元”(meta) 视角研究的开端（例如表現型学）。

2000年代末期，包含多组学研究（无论在方法论或研究主题方面）的论文数量呈现显著增长（参见PubMed图表），其数量从2000年的零篇跃升至2021年的每年逾1400篇，呈现指数级增长态势。

联合多组学数据采集
为了克服传统多组学研究的局限性，联合多组学数据采集方法应运而生。传统多组学研究通常需要对不同分子类别进行单独的样本处理，然后再进行计算整合，这不仅引入了变异性，还增加了成本。该领域的早期进展包括顺序提取和基于TRIzol的顺序分离方法。这些方法证明，传统上用于RNA分离的试剂可以同时从单个样本中提取DNA、RNA、蛋白质、代谢物和脂质。类似的方法，如代谢物、蛋白质和脂质提取（MPLEx） 和“三合一” 方法，则采用了双相分级分离技术来提取蛋白质、代谢物和脂质，用于LC- MS/MS分析。近期技术发展包括多组学单次进样技术（MOST），该技术使用一根反相色谱柱和一个二元流动相系统，在一次液相色譜法-質譜聯用 （LC-MS） 运行中整合了蛋白质组和脂类组分析；以及磁珠辅助加速单相多组学（BAMM）方法，该方法结合了正丁醇单相萃取、磁珠和加速蛋白质消化，用于分别分析代谢物、脂质和蛋白质。该领域最全面的技术之一是Dalton Bioanalytics Inc.公司的技术。Omni-MS® 是一种多组学分析方法，它采用专有技术，可在单次样品制备和单次液相色谱-质谱 (LC-MS) 分析中同时分析蛋白质、脂质、电解质、代谢物和其他小分子。该平台已应用于生物标记发现，识别出多种分子类别以及各种疾病和病症的潜在生物标记 ， 包括妊娠期COVID病情严重程度 、 22q11.2 缺失综合征 和遗传性血管性水肿 。这些整合方法显著减少了样品需求、处理时间和技术变异性，同时提高了不同分子类别之间的相关性分析能力，使其在精准医疗和系统生物学研究中具有日益重要的价值。

单细胞多组学
多组学领域的一个分支是多层级单细胞数据分析，即单细胞多组学。该方法以前所未有的分辨率，使我们能够在单细胞层面观察健康与疾病状态的多层级转变。相较于整体分析，其优势在于能缓解细胞间变异引发的混杂因素，从而揭示组织结构的异质性。或物理分离。这些方法能揭示仅凭转录组分析无法获取的洞见——例如，RNA数据不包含非编码基因组区域及拷贝数变异（CNV）信息。该方法的延伸是将单细胞转录组与单细胞甲基化组整合，通过将单细胞亞硫酸鹽定序与单细胞RNA测序相结合实现。此外还存在其他表观基因组测序技术，如单细胞ATAC-Seq测序和单细胞Hi-C测序。

多组学与机器学习
随着高通量生物学的快速发展，机器学习在生物医学数据分析中的应用也呈指数级增长。多组学数据整合与机器学习的协同作用在发现新型生物标记方面发挥了关键作用。

已有的统计框架为这项分析奠定了基础。例如，mixOmics项目利用稀疏偏最小二乘回归来选择特征并识别潜在的生物标记。 类似地，正则化广义典型相关分析 (Regularized Generalized Canonical Correlation Analysis)提供了一个统一且灵活的框架来整合异构数据，可通过RGCCA R包获得。

在此基础上，近期进展引入了更复杂的潜在变量模型。多组学因子分析 (Multi Omics Factor Analysis)已成为解析不同数据模态间变异来源的强大工具。MEFISTO在此基础上进一步发展，通过整合功能结构来处理数据中的时空协变量。此外，深度学习的融合催生了深度潜在变量路径建模 (Deep Latent Variable Path Modelling)等方法，该方法能捕捉复杂的非线性依赖关系以优化生物标记的识别，并可将多组学数据与复杂图像等非结构化数据进行整合。

健康与疾病中的多组学
（HMP）第一阶段和第二阶段概述。]]

多组学目前有望填补人类健康和疾病认知方面的空白，许多研究人员正在致力于生成和分析疾病相关数据的方法。 其应用范围广泛，包括了解宿主-病原体相互作用和传染病 、癌症、更好地了解慢性复杂非传染性疾病 以及改进個體化醫學 (personalized medicine)。

综合人类微生物组计划
耗资$1.7亿美元的人类微生物组计划第二阶段的重点是将患者数据整合到不同的组学数据集中，同时考虑宿主遗传学、临床信息和微生物组组成。 第一阶段侧重于表征不同身体部位的微生物群落。第二阶段则侧重于整合来自宿主和微生物组的多组学数据，以研究人类疾病。具体而言，该项目利用多组学来增进对肠道和鼻腔微生物组与2型糖尿病 、肠道微生物组与炎症性肠病 以及阴道微生物组与早产之间相互作用的理解。

系统免疫学
人类免疫系统中相互作用的复杂性促使人们产生了大量的免疫学相关多尺度组学数据。 多组学数据分析已被用于获取关于传染病（例如儿童基孔肯雅熱 ） 以及非传染性自體免疫性疾病 免疫反应的新见解。整合组学也被广泛用于理解疫苗的有效性和副作用，这一领域被称为系统疫苗学。 例如，多组学对于揭示血浆代謝產物和免疫系统转录组的变化与带状疱疹疫苗接种反应之间的关联至关重要。

参见

• 泛基因组
• 组学
• 系统生物学

参考资料