PACMOS：用于多组学样本投影与分类的 R 软件包

研究动机：整合多组学分析改变了我们对癌症生物学的理解，催生了数据驱动的分子分类方法，这些方法能够在传统组织病理学之外捕捉疾病异质性。在这些方法中，多组学因子分析（MOFA）作为主成分分析的一种多模态扩展，已被广泛用于识别跨组学层面的分子变异来源，并将样本分类为不同的分子群组。然而，依据现有的基于 MOFA 的分类对查询样本进行分类仍然具有挑战性，因为目前尚无经过验证的计算方法可将样本投影到预训练的 MOFA 潜在因子空间中。 结果：我们提出了 PACMOS，这是一个 R 软件包，提供了一种可推广的方法，可将查询样本投影到预训练的 MOFA 潜在因子空间中。我们利用两个已发表基于 MOFA 分类的癌症数据集对 PACMOS 进行了验证——肺神经内分泌肿瘤和胸膜间皮瘤——结果表明，PACMOS 在允许对查询样本进行分类的同时，能够保留原有的 MOFA 潜在因子空间。 可获得性与实现：PACMOS 是一个开源 R 软件包，可在 IARC 生物信息学 GitHub 组织（已提交至 Bioconductor）获取，网址为 https://github.com/IARCbioinfo/PACMOS，Zenodo DOI 为：https://doi.org/10.5281/zenodo.20933824。相关资源还包括安装说明以及附带应用示例的使用手册。

研究动机：整合多组学分析已经改变了我们对癌症生物学的认识，催生了基于数据驱动的分子分型方法，这些方法能够捕捉传统组织病理学之外的疾病异质性。在这些方法中，多组学因子分析（MOFA）作为主成分分析的一种多模态扩展，已被广泛用于识别跨组学层面的分子变异来源，并将样本分类为不同的分子群体。然而，依据现有的基于 MOFA 的分类对查询样本进行分类仍然具有挑战性，因为目前尚无经过验证的计算方法可将样本投影到预训练的 MOFA 潜在因子空间中。

结果：我们提出了 PACMOS，这是一个 R 软件包，提供了一种可推广的方法，可将查询样本投影到预训练的 MOFA 潜在因子空间中。我们使用两个具有已发表的基于 MOFA 分类的癌症数据集对 PACMOS 进行了验证——肺神经内分泌肿瘤和胸膜间皮瘤。结果表明，PACMOS 在允许对查询样本进行分类的同时，能够保留原有的 MOFA 潜在因子空间。

可获得性与实现：PACMOS 是一个开源 R 软件包，可通过 IARC 生物信息学 GitHub 组织获取（已提交至 Bioconductor），地址为 https://github.com/IARCbioinfo/PACMOS，Zenodo DOI 为：https://doi.org/10.5281/zenodo.20933824。相关资源还包括安装说明以及包含应用示例的使用文档。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.01.735542v1?rss=1

🏷️ 多组学分析 MOFA 样本投影 分子分类 R软件包 癌症生物信息学