往期记忆：【TPLS-019】ハード踏み拷問金蹴りマラ潰し処刑 JUN女王様

第1期.2024年了，上车代谢组学还不晚

第2期. 对于代谢组学，你必须了解的事

第3期.行将发车，快来学习代谢组学基本过程与工夫

第4期. 快来学，一文掌抓代谢组学上游分析

Introduction 

在上一期推文中，咱们先容了MetaboAnalyst在代谢组学上游分析中的行使以及MetaboAnalystR包简介，诸君小伙伴是否还是对代谢组学下流分析迫不足待了呢？本文咱们将率领各人学习掌抓代谢组学下流分析之多元统计分析。

代谢组学下流分析，即从拿到矩阵数据发轫，进行多元统计分析与形式识别、互异代谢物筛选、通路与功能分析等。代谢组学数据下流分析不错基于网页用具在线分析（如MetaboAnalyst等），也不错基于R说念话个性化分析。这期咱们为各人先容基于R说念话的MetaboAnalystR、ropls包。

本期的共享包括2个话题：

1. MetaboAnalystR包用于多元统计分析【TPLS-019】ハード踏み拷問金蹴りマラ潰し処刑 JUN女王様

2. ropls包用于多元统计分析

1

一、MetaboAnalystR包

MetaboAnalystR包是为代谢组学高下流分析修复的集成R包（https://www.metaboanalyst.ca/docs/RTutorial.xhtml），装配智商参考github教程（https://github.com/xia-lab/MetaboAnalystR）。上期咱们简要先容了它在代谢组学上游分析中的行使。这期为各人带来的是MetaboAnalystR包在代谢组学多元统计分析中的实战行使。1. 加载R包、载入数据、圭臬化

# 加载MetaboAnalystR包library(MetaboAnalystR)# 载入代谢组数据mSet<-InitDataObjects("pktable"， "stat"， FALSE) # 开动化数据对象mSet，数据类型为“pktable”，分析类型为“stat”，不进行高维数据惩处mSet<-Read.TextData(mSet， "https://rest.xialab.ca/api/download/metaboanalyst/human_cachexia.csv"， "rowu"， "disc") # 从CSV文献中读取数据，行数据默示样本，破裂变量类型# 实行数据圭臬化mSet<-SanityCheckData(mSet) # 对数据进行完好性检查mSet<-ReplaceMin(mSet) # 替换数据中的最小值mSet<-PreparePrenormData(mSet) # 准备数据进行圭臬化惩处mSet<-Normalization(mSet， "NULL"， "NULL"， "NULL"， ratio=FALSE， ratioNum=20) # 对数据进行圭臬化，未指定具体圭臬化措施

2. 主要素分析（PCA）

# 主要素分析mSet<-PCA.Anal(mSet)  # 对数据进行主要素分析，以降维和可视化高维数据，mSet是包含数据和分析效果的对象# 创建2D PCA得分图mSet<-PlotPCA2DScore(mSet， "pca_score2d_0_"， format = "png"， dpi=72， width=NA， 1， 2， 0.95， 1， 0)  # "pca_score2d_0_"是输出文献的前缀，format="png"指定输出时势为PNG，dpi=72指定分离率为72，width=NA默示使用默许宽度， 1和2指定绘图第1和第2主要素，0.95默示置信区间为95%，1默示清楚样本点标签，0默示不清楚置信椭圆

图片【TPLS-019】ハード踏み拷問金蹴りマラ潰し処刑 JUN女王様

MetaboAnalystR

2D PCA得分图

3. 偏最小二乘判别分析（PLS-DA）

# PLS回首分析mSet<-PLSR.Anal(mSet， reg=TRUE)  # reg=TRUE默示进行回首分析，mSet是包含数据和分析效果的对象# 创建2D PLS得分图mSet<-PlotPLS2DScore(mSet， "pls_score2d_0_"， "png"， 72， width=NA， 1，2，0.95，1，0)  # "pls_score2d_0_"是输出文献的前缀，"png"指定输出时势为PNG，72指定分离率为72，width=NA默示使用默许宽度，1和2指定绘图第1和第2潜在变量，0.95默示置信区间为95%，黄色社区1默示清楚样本点标签，0默示不清楚置信椭圆

图片

MetaboAnalystR

2D PLS得分图4. 正交偏最小二乘判别分析（OPLS-DA）

# 正交偏最小二乘判别分析mSet<-OPLSR.Anal(mSet， reg=TRUE)  # reg=TRUE默示进行回首分析，mSet是包含数据和分析效果的对象# 创建2D oPLS-DA得分图mSet<-PlotOPLS2DScore(mSet， "opls_score2d_0_"， format = "png"， dpi=72， width=NA， 1，2，0.95，1，0)  # "opls_score2d_0_"是输出文献的前缀，format="png"指定输出时势为PNG，dpi=72指定分离率为72，width=NA默示使用默许宽度，1和2指定绘图第1和第2潜在变量，0.95默示置信区间为95%，1默示清楚样本点标签，0默示不清楚置信椭圆

图片

MetaboAnalystR

谷物肉系列

2D oPLS-DA得分图

2

二、ropls包

ropls包用于进行偏最小二乘（PLS）回首、PLS判别分析（PLS-DA）和正交偏最小二乘（OPLS）分析。该包主要行使于代谢组学、卵白质组学和基因组学等高维生物数据的分析。本次为各人先容的是ropls包用于PLS-DA、OPLS-DA分析代码。

1. 加载R包、载入数据

# 加载必要的R包library(ropls)        # 用于PLS-DA和OPLS-DA分析library(ggplot2)      # 用于数据可视化# 读取数据到data变量中，其中行是样本，列是代谢物特征data <- read.csv("metabolomics_data.csv"， row.names = 1

2. PCA分析

# PCA分析pca_result <- prcomp(data， scale. = TRUE) # 使用prcomp函数进行PCA分析，scale. = TRUE默示圭臬化数据# 索要PCA效果scores <- pca_result$x  # 索要PCA得分（样本在主要素空间中的坐标）# 可视化PCA效果ggplot(as.data.frame(scores)， aes(PC1， PC2)) +  # 使用ggplot2绘图PCA得分图，x轴是PC1，y轴是PC2  geom_point() +  # 绘图样本点  theme_minimal() +  # 使用松懈的主题  labs(title = "PCA Score Plot"， x = "PC1"， y = "PC2")  # 添加图标题和轴标签

3. PLS-DA分析

# PLS-DA分析group <- factor(rep(c("Group1"， "Group2")， each = nrow(data)/2))  # 数据分为两组，生要素组因子plsda_result <- opls(data， group， predI = 2， orthoI = 0)  # 使用opls函数进行PLS-DA分析，predI = 2默示给与两个主要素，orthoI = 0默示不进行正交调遣# 索要PLS-DA效果plsda_scores <- plsda_result@scoreMN  # 索要PLS-DA得分# 可视化PLS-DA效果ggplot(as.data.frame(plsda_scores)， aes(p1， p2， color = group)) +  # 使用ggplot2绘图PLS-DA得分图，x轴是p1，y轴是p2，按分组着色  geom_point() +  # 绘图样本点  theme_minimal() +  # 使用松懈的主题  labs(title = "PLS-DA Score Plot"， x = "PLS1"， y = "PLS2")  # 添加图标题和轴标

4. OPLS-DA分析

# OPLS-DA分析oplsda_result <- opls(data， group， predI = 1， orthoI = 1)  # 使用opls函数进行OPLS-DA分析，predI = 1默示一个展望要素，orthoI = 1默示一个正交要素# 索要OPLS-DA效果oplsda_scores <- oplsda_result@scoreMN  # 索要OPLS-DA得分# 可视化OPLS-DA效果ggplot(as.data.frame(oplsda_scores)， aes(p1， o1， color = group)) +  # 使用ggplot2绘图OPLS-DA得分图，x轴是p1，y轴是o1，按分组着色  geom_point() +  # 绘图样本点  theme_minimal() +  # 使用松懈的主题  labs(title = "OPLS-DA Score Plot"， x = "Predictive Score"， y = "Orthogonal Score")  # 添加图标题和轴标签

Summary

总结一下，代谢组学多元统计分析不错使用已修复集成的代谢组学分析R包，举例MetaboAnalystR，也不错使用其他具有相同功能的R包，举例ropls等。后期咱们将赓续带着各人一皆从浅入深地战斗、交融、掌抓代谢组学！

图片

本站仅提供存储劳动，统统本体均由用户发布，如发现存害或侵权本体，请点击举报。