← 返回 PaperDaily 大模型与智能体

基因表达聚类新范式：让数据自己说出疾病故事

基因不是孤军奋战，它们像帮派一样协同作战。如何在不打标签的情况下，让数据自己说出疾病的“内部故事”？昆士兰大学这篇工作，把基因模块玩出了新高度，用混合因子模型在785个样本里无监督找到了9个分子亚型，BIC狂甩传统方法250,000分。

龙哥读论文发布于 2026-08-19 00:20:07 阅读 3 查看原文

#AI科研 #模型架构 #综述

🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥导读：
基因不是孤军奋战，它们像帮派一样协同作战。如何在不打标签的情况下，让数据自己说出疾病的“内部故事”？昆士兰大学这篇工作，把基因模块玩出了新高度，用混合因子模型在785个样本里无监督找到了9个分子亚型，BIC狂甩传统方法250,000分。

原论文信息如下：

论文标题:
Module-Structured Mixture Factor Models to Identify Outcome-Specific Signatures in Gene Expression Data

发表日期:
2026年06月
发表单位:
The University of Queensland (昆士兰大学), University of California, Santa Barbara (加州大学圣塔芭芭拉分校)
原文链接:
https://arxiv.org/pdf/2606.16460v1.pdf
开源代码链接:
https://github.com/wujrtudou/structured_MFA.git

图2：在数据集中推断的簇特异性模块效应和簇流行度。 (a) 估计的模块级平均效应 α_{k,g} 热图，行对应推断的簇，列对应基因模块。数值表示保留两位小数的估计效应。 (b) 每个推断簇的样本数量。

转录组数据聚类面临哪些挑战？

想象一下，你面前有上万条基因，每条基因在几百个样本中的表达量高高低低，而你想从这些混乱的数字中找到疾病的“帮派”——也就是分子亚型。传统的聚类方法，比如K-means或层次聚类，它们假设基因之间是独立同分布的，这简直是把基因当成了陌生人。但现实世界里的基因可不是独行侠，它们会抱团干活，形成所谓的基因模块（Gene Module）：一组基因协同表达，共同调控某个生物通路。忽略这种模块结构，聚类结果就会像没头苍蝇一样，不仅不稳定，还没法解释。

另一方面，用全协方差矩阵来建模基因间的依赖关系？在高维数据（p >> n）下这完全是灾难——参数比样本还多，算都算不动。于是有了混合因子分析（Mixture of Factor Analyzers, MFA），它通过低维隐因子来压缩协方差，但传统的MFA把基因当成可交换的变量，不区分模块，因此漏掉了通路级别的信号。

那么，既要利用模块结构，又要保持统计稳定和计算可行，怎么做？昆士兰大学和加州大学圣塔芭芭拉分校的研究者亮出了他们的武器——模块结构混合因子模型（Module-Structured Mixture Factor Model，MS-MFM）。它把基因模块直接嵌进混合模型的均值和协方差结构里，让数据自己说出疾病的内部故事。

模块结构混合因子模型如何设计？

MS-MFM的核心思路是：把基因表达变异拆成四个层次，像剥洋葱一样层层分明。

首先，给定每个样本属于某个簇（比如疾病亚型），它假设数据是由一个层次生成模型产生的：

其中，δ 是全局基因基线效应（所有样本共享），Mα_k 是簇 k 在模块级别的偏移（每个模块整体上调或下调），Bf_i 是低维因子驱动的模块内相关性，而 ε_i 是基因特异噪声。

关键设计在于载荷矩阵 B 的结构约束：B = S M U

这里 M 是基因‑模块分配矩阵（0/1 布尔矩阵），U 是模块级别的载荷方向（每个模块一个单位向量），S 是基因特异的缩放系数。这样一来，同一模块内的基因共享相同的因子方向，但允许有不同的幅度，既减参又保留了灵活性。

整合掉隐因子后，每个簇的条件分布就是高斯的，均值和协方差都有显式表达式：

其中 μ_k = δ + Mα_k，Σ = BBᵗ + D。这种结构让协方差矩阵为“共同协方差 + 对角残差”，既避免了全协方差的爆炸参数，又比独立假设更符合生物学实际。

如何通过ECM算法进行参数估计？

参数估计用了期望条件最大化（Expectation‑Conditional Maximization，ECM）算法，它是EM的变种，把M步拆成一系列条件最大化步骤，在高维中更稳定。

E步：给定当前参数，计算每个样本属于每个簇的后验概率（责任）以及隐因子的后验均值和方差。

隐因子的后验分布由标准因子分析公式给出：

其中 V = (I_q + BᵗD⁻¹B)⁻¹，m_{ik} = V BᵗD⁻¹(x_i − μ_k)。在模块化参数化下，BᵗD⁻¹B 和 BᵗD⁻¹e 都能被分解成模块级别的求和，计算效率很高。

CM步：依次闭式更新混合比例 π_k、模块级偏移 α_{kg}、全局基因均值 δ_j、基因缩放 s_j、模块载荷方向 u_g（需满足约束 ||u_g||₂=1，通过解 (A_g+λI)u_g=b_g 得到）以及残差方差 ψ_j。所有更新都有解析解或简单的单变量寻根，整体算法开销可控。

模型在自身免疫疾病数据中表现如何？

研究者使用了来自ADEx数据库的公开数据集 GSE45291，包含 785 个样本（493 个类风湿关节炎 RA 样本 + 292 个系统性红斑狼疮 SLE 样本），经过 MAD 筛选留下 979 个高变异基因，并聚成 19 个共表达模块。疾病标签在建模过程中完全不用，属于纯粹的无监督分析。

通过 BIC 选择最优模型配置，结果如下：

图1：在 (K, q) 网格上的 ΔBIC 值。最优点为 K=9（9个簇）且 q=8（8个因子）。

使用这个最优模型，样本被分配到 9 个簇。有意思的事情来了——虽然疾病标签从未让模型看过，但簇的组成却高度与疾病相关：

表1：推断簇中按疾病状态的样本分布。簇1、5、6、7、9 以 RA 为主，簇2、3、4、8 以 SLE 为主。完全分离显示疾病级分子结构自然浮现。

进一步看每个簇的模块级别偏移（α_{k,g}）热图，就能发现每个亚型独特的分子指纹。比如，RA 为主的簇（簇5、7）普遍正激活，而 SLE 为主的簇（簇2、3、4、8）总体负抑制，但也有一些交叉模式，比如 RA 簇6呈现“双向重编程”模式（部分模块强负、部分强正）。这些细节以往简单聚类很难捕捉。

与WGCNA相比效果如何？

WGCNA（加权基因共表达网络分析）是生物信息学中广泛使用的模块构建方法。本文对比了基于 MAD+层次聚类（MAD‑HC）与 WGCNA 两种模块构建方法作为输入对模型性能的影响。

表4：模型比较。MAD‑HC 在 BIC 和聚类清晰度上显著优于 WGCNA 版本。

用 WGCNA 模块替换后，模型 BIC 值大幅恶化（差值超过 250,000），簇的疾病分离度也下降。例如，WGCNA 版本下簇分布混杂（见表5），RA 和 SLE 样本未完全分离，而 MAD‑HC 版本能做到纯疾病簇。这说明，模块构建的质量直接影响下游聚类效果。MAD‑HC 基于相关距离的层次聚类在这个数据上比 WGCNA 的拓扑重叠更能捕捉稳定的模块结构。

表5：WGCNA 版本下 RA 和 SLE 样本的簇分布，可见多个簇内两种疾病样本混杂，分离度不如本文方法。

该方法有哪些优缺点及未来方向？

优点：MS‑MFM 将基因模块显式嵌入混合因子模型，实现了生物学可解释的方差分解：全局效应、模块偏移、因子相关性、残差噪声。所有更新闭式，计算稳定。无监督地在 RA 和 SLE 上发现了 9 个亚型，疾病分离度高，还能解析模块级别的分子指纹（如哪些模块在哪些亚型上调/下调）。模块构建可以用数据驱动方式（MAD+层次聚类），也兼容先验通路知识，灵活性好。

缺点：模型假设所有簇共享共同的协方差结构（Σ），只通过均值偏移区分簇，这可能不适合协方差也随簇变化的数据。模块构建需要预设模块数量（通过切割阈值），且需要初步筛选基因（MAD），存在一定主观性。目前主要验证在自身免疫疾病上，泛化到其他疾病或平台还需更多测试。

未来方向：可扩展到簇特异协方差结构，或引入稀疏化使模块分配更稳健。作者还提到可以利用通路数据库（如KEGG、Reactome）直接定义模块，提高生物学先验的利用。另外，将模型整合进下游分类器做个性化医疗也是值得探索的方向。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

MS-MFM 与普通 MFA 的核心区别是什么？普通 MFA（混合因子分析）把基因当成独立同分布的变量，载荷矩阵无结构；MS-MFM 强制载荷矩阵在模块级别共享方向（B = S M U），并同时建模模块级别的均值偏移。这使得模型参数大幅减少，且每个模块的生物学意义更明确。

模块构建方法 (MAD+HC) 为什么比 WGCNA 好？文章实验表明，MAD+HC 产生的模块在新数据集上更稳定、模块内一致性更高，且在后续 MS-MFM 建模中 BIC 显著优于 WGCNA 版本。可能原因：MAD+HC 直接用相关系数层次聚类，保留了原始相关结构；而 WGCNA 基于软阈值的拓扑重叠，可能过度平滑了模块边界。

在 RA 和 SLE 数据上，模型发现的亚型是否有临床意义？文章通过 Human Phenotype Ontology（HPO）富集分析验证，不同簇对应的模块显著富集了与免疫、炎症、骨损伤相关的表型术语，例如 SLE 亚型富集“抗核抗体阳性”、“肾炎”，RA 亚型富集“关节肿胀”、“骨侵蚀”。这初步说明亚型与临床表现存在关联。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★☆

将因子分析载荷矩阵与模块结构强绑定，同时在均值层面引入模块偏移，思路新颖且实现优雅。但模块定义本身不是创新，组合方式属于中等创新。

实验合理度：★★★★☆

实验设计清晰：先用 BIC 选参，再对比 WGCNA 模块构建，最后做功能注释。对比方法较充分（WGCNA 作为基线），但缺少与其他因子分析变体（如簇特异协方差 MFA）的对比。

学术研究价值：★★★★☆

为高维转录组无监督聚类提供了一种可解释的框架，尤其适合需要模块级解释的生物医学问题。对后续开发模块化混合模型有启发。

稳定性：★★★☆☆

ECM 算法较为成熟，但模块构建步骤（MAD + 层次聚类）的阈值选择和模块数量确定对结果敏感，实际使用时可能需要反复调参。

适应性以及泛化能力：★★★☆☆

目前仅在两个自身免疫疾病数据上验证，且数据量适中（785 样本，979 基因）。对其他组织类型、平台或更大规模数据的泛化性需更多测试。

硬件需求及成本：★★★★☆

ECM 算法时间复杂度约为 O(nGq² + p³) 但利用了模块结构可加速。对 p=979、G=19、q=8 的规模，普通工作站即可运行，但超大规模（p>10000）可能受限。

复现难度：★★★☆☆

代码已在 GitHub 开源（https://github.com/wujrtudou/structured_MFA.git），但未提供完整运行脚本，预处理和数据下载步骤需读者自行完成。模块构建参数需手动复制。

产品化成熟度：★★☆☆☆

当前是研究原型，尚未集成到可交互的生物信息学工具中。如需产品化，需增加用户界面、自动化模块选择、结果可视化等功能。

可能的问题：模型假设各簇共享协方差，但实际中不同亚型的协方差矩阵也可能不同；缺少与其他高级聚类方法（如基于图或深度学习的聚类）的对比；模块构建的鲁棒性分析不够深入。

主要参考文献

[1] McLachlan, G. J., Peel, D. (2000). Finite Mixture Models. Wiley.

[2] McLachlan, G. J., Krishnan, T. (2008). The EM Algorithm and Extensions (2nd ed.). Wiley.

[3] Langfelder, P., Horvath, S. (2008). WGCNA: an R package for weighted correlation network analysis. BMC Bioinformatics, 9, 559.

[4] Martorell-Marugán, J., et al. (2021). ADEx: A database for the analysis of autoimmune diseases. Nucleic Acids Research, 49(D1), D1190–D1197.

[5] Cheng, Q., et al. (2024). Molecular subtypes of SLE and RA based on gene modules. Journal of Autoimmunity, 145, 103214.

[6] 原论文: Wu, J., McLachlan, G. J., Pyne, S. (2026). Module-Structured Mixture Factor Models to Identify Outcome-Specific Signatures in Gene Expression Data. arXiv:2606.16460.

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！

基因模块排排坐，疾病亚型无处躲。想要深挖更多生物信息学里的聚类黑科技？
欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如生物信息+上海+昆士兰+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群
wechat_helper