用途：把已经归一化的各omic数据块放到可比较的尺度上，供共享潜变量整合方法（如MOFA、mixOmics）使用。因为整合模型只看到堆叠矩阵，会把主因子分配给原始方差最大或维度最高的数据块，这属于测量尺度而非生物学属性。
主要能力：1）用MultiAssayExperiment统一assays、sampleMap与colData，使样本对应关系成为结构约束，而非字符串拼接。2）逐omic变换：RNA用VST/rlog或log-CPM，甲基化用M值，蛋白/代谢用log2，成分数据用CLR。3）按视图缩放（MFA奇异值加权、MOFA scale_views），均衡各块贡献，避免按特征单位方差缩放放大近常数噪声。4）批次策略：先交叉列联批次与生物学变量，若共线则不校正；否则逐omic校正（ComBat处理变换后数据，ComBat-seq处理计数），或在推断步骤中把批次作为协变量建模，二者不可兼得，也不要在堆叠矩阵上做统一校正。5）缺失值分类：特征层面缺失率约30%–50%以上先过滤；检测下限缺失（MNAR）用QRILC/MinProb，偶发随机缺失（MAR）用kNN/missForest；整个omic缺失的镶嵌队列不要插补整块，改用可容忍缺失的MOFA2。
使用方式：```r library(MultiAssayExperiment) mae <- MultiAssayExperiment(experiments=ExperimentList(RNA=rna, Protein=prot, Methylation=meth), colData=sample_info) table(complete.cases(mae)) paired <- intersectColumns(mae)
按视图缩放示例：```r
scale_per_view <- function(mat) mat / sqrt(sum(apply(mat, 1, var, na.rm=TRUE)))
适用场景：不同尺度的数据块进入MOFA/PLS；某omic特征数远多于另一omic；各omic批次不同且整合器需要干净输入；下游为推断检验。
限制：深度单组学归一化由各单组学工具负责，本技能只管跨组学容器与批次。批次与条件共线时不可事后校正。批次校正后不可再次校正。不要为满足完整案例方法而插补整个数据块。跨语言导出需确认矩阵方向，并用Ensembl/UniProt/RefMet等稳定标识符连接，明确一对多映射的合并规则。参考版本为MultiAssayExperiment 1.36+、SummarizedExperiment 1.40+、sva 3.50+，使用前应核对实际安装版本。