Laden Sie zunächst eine kommagetrennte Beispieleingabedatei herunter, die eine Liste von Metaboliten mit experimentellen Messungen enthält. Doppelklicken Sie auf die heruntergeladene Probendatei, um sie zu öffnen und zu überprüfen, ob sie Markierungen sowohl für die Proben als auch für die Metaboliten enthält. Laden Sie als Nächstes die Java-Anwendung für den Korrelationsrechner herunter und doppelklicken Sie auf die heruntergeladene JAR-Datei, um die Anwendung zu starten.
Klicken Sie auf der Registerkarte "Eingabe" auf die Schaltfläche "Durchsuchen", um die Eingabedatei hochzuladen. Wählen Sie unter Dateiformat angeben Beispiele in Zeilen aus. Klicken Sie auf die Schaltfläche "Weiter" unten rechts im Fenster, um zur Registerkarte "Datennormalisierung" zu gelangen.
Aktivieren Sie unter Methoden auswählen das Kontrollkästchen neben Protokollieren, um Daten zu transformieren und Daten automatisch zu skalieren. Klicken Sie unter Normalisierte Daten auf die Schaltfläche Ausführen. Sobald die Normalisierung abgeschlossen ist, klicken Sie auf die Schaltfläche Speichern, um die neue Datendatei zu speichern.
Klicken Sie auf die Schaltfläche "Weiter", um zur Registerkarte "Datenanalyse" zu wechseln, und klicken Sie unter "Pearson-Korrelation berechnen" auf "Ausführen", um den besten Pearson-Korrelationsbereich für die Daten zu bestimmen. Klicken Sie auf die Schaltfläche Histogramm anzeigen, um die Häufigkeit der maximalen Pearson-Korrelationswerte pro Feature in der Schaltfläche Heatmap anzeigen zu überprüfen, um die Darstellung der Pearson-Korrelationsmatrix zu überprüfen. Behalten Sie unter Nach Pearson-Korrelationen filtern die Standardzahlen bei, um nach einem Bereich von 0,00 bis 1,00 zu filtern.
Wählen Sie dann unter Partielle Korrelationsmethode auswählen die gewünschte Methode als DSPC-Methode aus. Klicken Sie unter Partielle Korrelationen berechnen auf die Schaltfläche Ausführen. Klicken Sie auf die CSV-Datei anzeigen, um die Ergebnisse anzuzeigen, und klicken Sie auf die Schaltfläche Speichern, um die Ergebnisse zu speichern.
Es wird ein repräsentatives Netzwerk gezeigt, das aus einer Teilmenge der Metabolomik-Daten der KORA-Populationsstudie besteht, die aus 151 Metaboliten von 240 Probanden besteht. Konsensus-Netzwerk-Clustering führte zur Identifizierung von neun Subnetzwerken oder Stoffwechselmodulen.
