用途：MOFA+ 是无监督统计框架，将同一批细胞或样本的多个组学层联合分解为少量潜在因子，每个因子对应一个独立变异来源（如细胞周期、疾病表型、批次），并给出特征权重（载荷）以显示哪些基因、峰或蛋白驱动该因子。mofapy2 生成的 HDF5 模型可在 Python 与 R（MOFA2 Bioconductor 包）中分析，并支持多组（队列/条件）设置。
主要能力：整合两个及以上组学层；识别共享与视图特异变异；比较组间因子差异；在聚类、轨迹推断或生存建模前降维；通过稀疏载荷发现驱动特征；用样本元数据注释因子。
使用方式：需 Python 3.9+，安装 mofapy2>=0.7、anndata>=0.10、numpy>=1.24、pandas>=2.0、scipy>=1.11、matplotlib>=3.7、seaborn>=0.13，可选 muon。命令：pip install mofapy2 anndata muon matplotlib seaborn。每层为一个 AnnData（细胞/样本×特征），各视图须共享同一 obs 索引。流程：用 entry_point 设置数据选项与数据矩阵（data[groups][views]），设置模型与训练选项，build() 后 run()，再 save() 为 HDF5；随后可读取方差解释、因子得分与权重，做聚类和富集。
关键参数：factors 默认 15（5–50）；likelihoods 按数据类型选 gaussian/bernoulli 等；scale_views 建议开启；dropR2 默认 0.01 自动剔除低方差因子；spikeslab_weights、ard_factors、ard_weights 默认启用。
限制：原始计数若误设为 gaussian 会拟合测序深度而非生物学信号；因子数过多增加计算与过拟合风险；资料未提供收费、价格与平台信息。