用途：在 bulk 组学区块间做监督与无监督多元整合，寻找跨组学特征签名。核心函数为 sPLS（spls）、稀疏判别 splsda、rCCA（rcc）、DIABLO（block.splsda）、MINT（mint.splsda）、sPCA（spca）。参考示例经 mixOmics 6.26+ 验证，须核对 packageVersion('mixOmics') 并按 ?函数名 确认参数。
输入为样本×特征矩阵，与 MOFA2 相反；scale=TRUE 为默认，故应传已做适当变换但未预标准化的矩阵。DIABLO 没有字面名为 diablo 的函数，即 block.splsda。多区块须先取样本交集并校验 rowname 顺序一致。
用法要点：两两相关用 spls，mode='canonical' 为对称框架，mode='regression' 仅在指定响应时使用；无结局的两组学可选用 rcc 加 ridge/shrinkage 正则，避免 p>n 时普通 CCA 过拟合出相关 1.0。监督多区块用 block.splsda，design 矩阵非对角权重在 0~1 间权衡跨区块相关与判别，教程的 0.1 并非 DIABLO 原论文推荐值。先用非稀疏模型经 perf() 调 ncomp，再用 tune.block.splsda 在折内调 keepX（measure='BER'，nrepeat>=10，folds 5-10，用 BPPARAM 并行，cpus= 已废弃）。同一组学跨队列用 mint.splsda，study 作固定效应。
局限：这些是投影方法，优化协方差/相关而非真值，小样本高维下几乎可拟合任何目标；selectVar 选出的特征在构造上即可区分训练队列，只能作为候选，需独立队列或 MINT 复核。在调参数据上报告 perf() 误差偏乐观（AUC 可能虚高约 0.15），诚实指标来自未参与调参的外部测试集或完全嵌套交叉验证。类别不平衡须用 BER 并报告各类错误率。版本不符时须按实际 API 调整；其余细节资料未提供。