Questo lavoro è stato supportato dalla sovvenzione NIH 1U01CA235487.

1. Calcolatore di correlazione
<ol><li>Scaricare un file di input delimitato da virgole di esempio contenente un elenco di metaboliti con misurazioni sperimentali a http://metscape.med.umich.edu/kora_data_240.csv.</li>
	<li>Fare doppio clic sul file di esempio scaricato per aprirlo.<ol><li>Assicurarsi che il file contenga etichette sia per i campioni che per i metaboliti.</li>
		<li>Poiché i campioni sono divisi in righe, verificare che la prima colonna sia costituita dai nomi dei campioni e che la prima riga sia costituita dai nomi dei metaboliti.</li>
	</ol></li>
	<li>Scaricare l'applicazione Java CorrelationCalculator (http://metscape.med.umich.edu/calculator.html). Fare doppio clic sul file .jar scaricato per avviare l'applicazione.</li>
	<li>Nella scheda Input fare clic sul pulsante Sfoglia per caricare il file di input.</li>
	<li>In Specifica formato file, utilizzare la freccia a discesa per selezionare il formato di file di input appropriato. Selezionare i campioni in righe (figura 1 supplementare).</li>
	<li>Passare alla scheda Normalizzazione dati facendo clic sul pulsante Avanti >> nella parte inferiore destra della finestra.</li>
	<li>In Seleziona metodo/i, seleziona la casella accanto a Dati di trasformazione log2. Selezionare la casella accanto a Dati di scalabilità automatica.</li>
	<li>In Normalizza dati fare clic sul pulsante Esegui . NOTA: una volta completata la normalizzazione, fare clic sul pulsante Visualizza dati normalizzati , situato in Normalizza dati, ed esaminare il set di dati aggiornato (Figura 2 supplementare).</li>
	<li>In Normalizza dati, fare clic sul pulsante Salva e salvare il nuovo file di dati.</li>
	<li>Passare alla scheda Analisi dati facendo clic sul pulsante Avanti >> nella parte inferiore destra della finestra.</li>
	<li>In Calcola correlazione di Pearson, fare clic su Esegui. Determinare il miglior intervallo di correlazione di Pearson per i dati.<ol><li>Fare clic sul pulsante Visualizza istogramma . Esaminare la frequenza dei punteggi di correlazione massimi di Pearson per caratteristica.</li>
		<li>Fare clic sul pulsante Visualizza mappa termica . Esamina la rappresentazione della matrice di correlazione di Pearson.</li>
	</ol></li>
	<li>In Filtra per correlazioni di Pearson, lasciare che i numeri predefiniti filtrino in base a un intervallo compreso tra 0,00 e 1,00 NOTA: Far scorrere la piccola freccia blu all'estremità destra da 1 e la piccola freccia blu a sinistra da 0 per cambiare il filtro. È anche possibile immettere numeri specifici nelle caselle di testo.</li>
	<li>In Seleziona metodo di correlazione parziale selezionare il metodo desiderato, Metodo DSPC. NOTA: se il numero di metaboliti è inferiore al numero di campioni nel set di dati, è possibile utilizzare solo il metodo DSPC.</li>
	<li>In Calcola correlazioni parziali, fare clic sul pulsante Esegui (Figura 3 supplementare).</li>
	<li>Fare clic su Visualizza file CSV e visualizzare i risultati. Fare clic sul pulsante Salva e salvare i risultati.</li>
	<li>Fare clic sul pulsante Visualizza in MetScape per avviare una rete di correlazione interattiva. Vedere Karnovsky, A. et al.6 per ulteriori informazioni sull'utilizzo di MetScape. NOTA: MetScape è un'applicazione Cytoscape che consente la creazione e l'esplorazione di reti di correlazione.</li>
</ol>2. Filigrana
<ol><li>Scaricare un file di input delimitato da virgole di esempio contenente le misurazioni dei metaboliti all'http://metscape.med.umich.edu/T1D_primaryMetabolites_noIS_log_scaled_sorted.csv.</li>
	<li>Fare doppio clic sul file di esempio scaricato per aprirlo.<ol><li>Assicurarsi che il file contenga i nomi dei campioni nella colonna 1 e le assegnazioni dei gruppi nella colonna 2. Verificare che le colonne rimanenti contengano metaboliti/lipidi.</li>
		<li>Assicurarsi che ogni riga rappresenti un campione. NOTA: le misurazioni dei metaboliti devono essere trasformate in log e ridimensionate automaticamente, a meno che non si esegua l'aggregazione delle caratteristiche, nel qual caso le misurazioni devono essere trasformate solo in log.</li>
	</ol></li>
	<li>Scaricare l'applicazione Java Filigree (http://metscape.med.umich.edu/filigree.html). NOTA: Un manuale utente dettagliato è disponibile all'indirizzo http://metscape.ncibi.org/v0.1.2Filigree_UserManual.pdf.</li>
	<li>Fare doppio clic sul file .jar scaricato per avviare l'applicazione.</li>
	<li>Nella scheda Dati fare clic sul pulsante Sfoglia per caricare il file di input.</li>
	<li>In Specifica colonne/righe, fare clic sulla freccia a discesa accanto a ID campione per selezionare il nome di colonna/riga corrispondente dal file di input. Selezionare Esempio.</li>
	<li>In Specifica colonne/righe, fare clic sulla freccia a discesa accanto a "Gruppo" per selezionare la colonna/riga corrispondente dal file di input. Seleziona Gruppo.</li>
	<li>In Specifica gruppi di esempio, fare clic sulle frecce a discesa accanto a ciascun gruppo per selezionare la colonna del gruppo corrispondente dal file di input. Per Gruppo 1, seleziona Diabetico. Per Gruppo 2, selezionare Non diabetico.</li>
	<li>In Raggruppamento di feature, selezionare la casella accanto al metodo desiderato, Calcola gruppi di feature.</li>
	<li>Fai clic sul pulsante Visualizza mappe termiche . Visualizzare la mappa di calore e determinare la percentuale di riduzione desiderata.</li>
	<li>Utilizzare il dispositivo di scorrimento Riduzione feature per selezionare la percentuale di riduzione desiderata delle feature . Far scorrere il cerchietto fino a quando la riduzione percentuale non mostra un rapporto caratteristica/campione di 1,25 (Figura 4 supplementare).</li>
	<li>Passare alla scheda Analisi facendo clic sul pulsante >> successivo in basso a destra della finestra.</li>
	<li>In Seleziona directory di output, fare clic sul pulsante Sfoglia e selezionare il percorso della directory desiderato per l'archiviazione dei file di output generati.</li>
	<li>Fare clic sul pulsante Esegui analisi situato nella parte inferiore sinistra della finestra. Le barre di stato vengono aggiornate per ogni componente dell'analisi (Figura 5 supplementare). Fare clic sul pulsante OK nella finestra popup in cui viene visualizzato il messaggio Analisi completata correttamente.</li>
	<li>Nella scheda Analisi , fare clic sul pulsante Sfoglia reti per aprire le sottoreti interattive Filigree in una scheda del browser.</li>
	<li>Fare clic sul collegamento Sottorete 1 nella colonna Nome sottorete .</li>
	<li>Esplora la sottorete interattiva utilizzando i vari pulsanti. Fare clic sul pulsante + e ingrandire la parte della rete. Fare clic sul pulsante - e rimpicciolire (Figura 6 supplementare).</li>
	<li>Fare clic su un nodo di gruppo e trascinarlo per riposizionarlo all'interno della sottorete. NOTA: il colore del nodo rappresenta la regolazione verso l'alto/verso il basso e l'opacità del colore rappresenta il cambiamento di piega superiore/inferiore. Il colore del bordo rappresenta lo stato differenziale tra i gruppi.</li>
	<li>Fare clic sul pulsante Espandi feature in alto a destra della pagina per espandere tutti i nodi del gruppo. Esamina i composti specifici che compongono i nodi del gruppo.</li>
	<li>Fare clic sul pulsante Comprimi feature in alto a destra della pagina per comprimere i nodi del gruppo espansi di recente.</li>
	<li>Fare clic sul pulsante Per gruppo di esempio in alto a destra della pagina per modificare la visualizzazione da una singola sottorete a più sottoreti suddivise da un gruppo. Esplorare e confrontare i gruppi utilizzando questa vista delle sottoreti (Figura 7 supplementare).</li>
	<li>Fare clic sul pulsante Tutti gli esempi per tornare alla visualizzazione della singola sottorete.</li>
	<li>Per visualizzare la sottorete successiva, fare clic sul pulsante Avanti in alto a destra nella pagina.</li>
	<li>Ripetere i passaggi 2.19-2.23 per ogni sottorete.</li>
	<li>Fare clic sul collegamento Risultati dell'analisi dell'arricchimento della rete differenziale nella parte superiore centrale della finestra per tornare alla visualizzazione della tabella di riepilogo che elenca tutte le sottoreti. NOTA: Importare i file di output dei bordi e/o dei nodi in uno strumento software diverso, ad esempio Cytoscape23, per creare ulteriori visualizzazioni di rete.</li>
</ol>3. Considerazioni aggiuntive
<ol><li>Per i computer Mac con Big Sur (OSX 11.2) o versioni successive, approva lo strumento in Menu Apple > Preferenze di Sistema > Sicurezza e Privacy > Generali e seleziona Consenti nella parte inferiore del pannello.</li>
	<li>Inoltre, consenti a Filigree di accedere ai file in Menu Apple > Preferenze di Sistema > Sicurezza e Privacy > Privacy selezionando File e cartelle nel menu a sinistra e quindi selezionando Filigrana nel menu a destra.</li>
</ol>

Affrontare l'analisi dei dati metabolomici utilizzando strumenti bioinformatici avanzati

<ol>
	<li>Sas, K. M., Karnovsky, A., Michailidis, G., Pennathur, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Metabolomics+and+diabetes:+analytical+and+computational+approaches.">Metabolomics and diabetes: analytical and computational approaches.</a> Diabetes. 64 (3), 718-732 (2015).</li><li>Cottret, L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MetExplore:+Collaborative+edition+and+exploration+of+metabolic+networks.">MetExplore: Collaborative edition and exploration of metabolic networks.</a> Nucleic Acids Research. 46 (W1), W495-W502 (2018).</li><li>Garcia-Alcalde, F., Garcia-Lopez, F., Dopazo, J., Conesa, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Paintomics:+A+web+based+tool+for+the+joint+visualization+of+transcriptomics+and+metabolomics+data.">Paintomics: A web based tool for the joint visualization of transcriptomics and metabolomics data.</a> Bioinformatics. 27 (1), 137-139 (2011).</li><li>Kuo, T. C., Tian, T. F., Tseng, Y. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=3Omics:+A+web-based+systems+biology+tool+for+analysis,+integration+and+visualization+of+human+transcriptomic,+proteomic+and+metabolomic+data.">3Omics: A web-based systems biology tool for analysis, integration and visualization of human transcriptomic, proteomic and metabolomic data.</a> BMC Systems Biology. 7, 64 (2013).</li><li>Paley, S. M., Karp, P. D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+pathway+tools+cellular+overview+diagram+and+Omics+Viewer.">The pathway tools cellular overview diagram and Omics Viewer.</a> Nucleic Acids Research. 34 (13), 3771-3778 (2006).</li><li>Karnovsky, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Metscape+2+bioinformatics+tool+for+the+analysis+and+visualization+of+metabolomics+and+gene+expression+data.">Metscape 2 bioinformatics tool for the analysis and visualization of metabolomics and gene expression data.</a> Bioinformatics. 28 (3), 373-380 (2012).</li><li>Chong, J., Xia, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Using+MetaboAnalyst+4.0+for+metabolomics+data+analysis,+interpretation,+and+integration+with+other+omics+data.">Using MetaboAnalyst 4.0 for metabolomics data analysis, interpretation, and integration with other omics data.</a> Methods in Molecular Biology. 2104, 337-360 (2020).</li><li>Lopez-Ibanez, J., Pazos, F., Chagoyen, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MBROLE+2.0-functional+enrichment+of+chemical+compounds.">MBROLE 2.0-functional enrichment of chemical compounds.</a> Nucleic Acids Research. 44 (W1), W201-W204 (2016).</li><li>Cavalcante, R. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Broad-Enrich:+Functional+interpretation+of+large+sets+of+broad+genomic+regions.">Broad-Enrich: Functional interpretation of large sets of broad genomic regions.</a> Bioinformatics. 30 (17), i393-i400 (2014).</li><li>Huang, D. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=DAVID+bioinformatics+resources:+Expanded+annotation+database+and+novel+algorithms+to+better+extract+biology+from+large+gene+lists.">DAVID bioinformatics resources: Expanded annotation database and novel algorithms to better extract biology from large gene lists.</a> Nucleic Acids Research. 35 (Web Server issue), W169-W175 (2007).</li><li>Lee, P. H., O'Dushlaine, C., Thomas, B., Purcell, S. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=INRICH:+interval-based+enrichment+analysis+for+genome-wide+association+studies.">INRICH: interval-based enrichment analysis for genome-wide association studies.</a> Bioinformatics. 28 (13), 1797-1799 (2012).</li><li>Segre, A. V., Groop, L., Mootha, V. K., Daly, M. J., Altshuler, D. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Common+inherited+variation+in+mitochondrial+genes+is+not+enriched+for+associations+with+type+2+diabetes+or+related+glycemic+traits.">Common inherited variation in mitochondrial genes is not enriched for associations with type 2 diabetes or related glycemic traits.</a> PLoS Genetics. 6 (8), e1001058 (2010).</li><li>Subramanian, A., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Gene+set+enrichment+analysis:+a+knowledge-based+approach+for+interpreting+genome-wide+expression+profiles.">Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles.</a> Proceedings of the National Academy of Sciences of the United States of America. 102 (43), 15545-15550 (2005).</li><li>Afshinnia, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Lipidomic+signature+of+progression+of+chronic+kidney+disease+in+the+chronic+renal+insufficiency+cohort.">Lipidomic signature of progression of chronic kidney disease in the chronic renal insufficiency cohort.</a> Kidney International Reports. 1 (4), 256-268 (2016).</li><li>Barupal, D. K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=MetaMapp:+Mapping+and+visualizing+metabolomic+data+by+integrating+information+from+biochemical+pathways+and+chemical+and+mass+spectral+similarity.">MetaMapp: Mapping and visualizing metabolomic data by integrating information from biochemical pathways and chemical and mass spectral similarity.</a> BMC Bioinformatics. 13, 99 (2012).</li><li>Basu, S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Sparse+network+modeling+and+Metscape-based+visualization+methods+for+the+analysis+of+large-scale+metabolomics+data.">Sparse network modeling and Metscape-based visualization methods for the analysis of large-scale metabolomics data.</a> Bioinformatics. 33 (10), 1545-1553 (2017).</li><li>Krumsiek, J., Suhre, K., Illig, T., Adamski, J., Theis, F. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Gaussian+graphical+modeling+reconstructs+pathway+reactions+from+high-throughput+metabolomics+data.">Gaussian graphical modeling reconstructs pathway reactions from high-throughput metabolomics data.</a> BMC Systems Biology. 5, 21 (2011).</li><li>Camacho, D., de la Fuente, A., Mendes, P. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+origin+of+correlations+in+metabolomics+data.">The origin of correlations in metabolomics data.</a> Metabolomics. 1 (1), 53-63 (2005).</li><li>Steuer, R., Kurths, J., Fiehn, O., Weckwerth, W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Observing+and+interpreting+correlations+in+metabolomic+networks.">Observing and interpreting correlations in metabolomic networks.</a> Bioinformatics. 19 (8), 1019-1026 (2003).</li><li>B&#252;hlmann, P., Van De Geer, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Statistics for High-Dimensional Data: Methods, Theory and Applications. , (2011).</li><li>Iyer, G. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Application+of+differential+network+enrichment+analysis+for+deciphering+metabolic+alterations.">Application of differential network enrichment analysis for deciphering metabolic alterations.</a> Metabolites. 10 (12), 479 (2020).</li><li>Ma, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Differential+network+enrichment+analysis+reveals+novel+lipid+pathways+in+chronic+kidney+disease.">Differential network enrichment analysis reveals novel lipid pathways in chronic kidney disease.</a> Bioinformatics. 35 (18), 3441-3452 (2019).</li><li>Shannon, P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Cytoscape:+a+software+environment+for+integrated+models+of+biomolecular+interaction+networks.">Cytoscape: a software environment for integrated models of biomolecular interaction networks.</a> Genome Reserach. 13 (11), 2498-2504 (2003).</li><li>Krumsiek, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Mining+the+unknown:+a+systems+approach+to+metabolite+identification+combining+genetic+and+metabolic+information.">Mining the unknown: a systems approach to metabolite identification combining genetic and metabolic information.</a> PLoS Genetics. 8 (10), e1003005 (2012).</li><li>Fahrmann, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Systemic+alterations+in+the+metabolome+of+diabetic+NOD+mice+delineate+increased+oxidative+stress+accompanied+by+reduced+inflammation+and+hypertriglyceremia.">Systemic alterations in the metabolome of diabetic NOD mice delineate increased oxidative stress accompanied by reduced inflammation and hypertriglyceremia.</a> American Journal of Physiology. Endocrinology and Metabolism. 308 (11), E978-E989 (2015).</li><li>Grapov, D., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Diabetes+associated+metabolomic+perturbations+in+NOD+mice.">Diabetes associated metabolomic perturbations in NOD mice.</a> Metabolomics. 11 (2), 425-437 (2015).</li><li>Jin, Y., Bai, S., Huang, Z., You, L., Zhang, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Technology+characteristics+and+flavor+changes+of+traditional+green+wheat+product+nian+zhuan+in+Northern+China.">Technology characteristics and flavor changes of traditional green wheat product nian zhuan in Northern China.</a> Frontiers in Nutrition. 9, 996337 (2022).</li><li>Lin, Y. S., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Probing+folate-responsive+and+stage-sensitive+metabolomics+and+transcriptional+co-expression+network+markers+to+predict+prognosis+of+non-small+cell+lung+cancer+patients.">Probing folate-responsive and stage-sensitive metabolomics and transcriptional co-expression network markers to predict prognosis of non-small cell lung cancer patients.</a> Nutrients. 15 (1), 3 (2022).</li><li>Pan, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Metabolomics+study+identified+bile+acids+as+potential+biomarkers+for+gastric+cancer:+A+case+control+study.">Metabolomics study identified bile acids as potential biomarkers for gastric cancer: A case control study.</a> Frontiers in Endocrinology (Lausanne). 13, 1039786 (2022).</li><li>Pancoro, A., Karima, E., Apriyanto, A., Effendi, Y. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=(1)H+NMR+metabolomics+analysis+of+oil+palm+stem+tissue+infected+by+Ganoderma+boninense+based+on+field+severity+Indices.">(1)H NMR metabolomics analysis of oil palm stem tissue infected by Ganoderma boninense based on field severity Indices.</a> Scientific Reports. 12 (1), 21087 (2022).</li><li>Chele, K. H., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+global+metabolic+map+defines+the+effects+of+a+Si-based+biostimulant+on+tomato+plants+under+normal+and+saline+conditions.">A global metabolic map defines the effects of a Si-based biostimulant on tomato plants under normal and saline conditions.</a> Metabolites. 11 (12), 820 (2021).</li><li>Hubert, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+effect+of+residual+pesticide+application+on+microbiomes+of+the+storage+mite+Tyrophagus+putrescentiae.">The effect of residual pesticide application on microbiomes of the storage mite Tyrophagus putrescentiae.</a> Microbial Ecology. 85 (4), 1527-1540 (2023).</li><li>Li, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Metabolomic+and+exposomic+biomarkers+of+risk+of+future+neurodevelopmental+delay+in+human+milk.">Metabolomic and exposomic biomarkers of risk of future neurodevelopmental delay in human milk.</a> Pediatric Research. 93 (6), 1710-1720 (2023).</li><li>Marino, C., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=The+metabolomic+profile+in+amyotrophic+lateral+sclerosis+changes+according+to+the+progression+of+the+disease:+An+exploratory+study.">The metabolomic profile in amyotrophic lateral sclerosis changes according to the progression of the disease: An exploratory study.</a> Metabolites. 12 (9), 837 (2022).</li><li>Ma, J., Shojaie, A., Michailidis, G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Network-based+pathway+enrichment+analysis+with+incomplete+network+information.">Network-based pathway enrichment analysis with incomplete network information.</a> Bioinformatics. 32 (20), 3165-3174 (2016).</li><li>Mahieu, N. G., Patti, G. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Systems-level+annotation+of+a+metabolomics+data+set+reduces+25000+features+to+fewer+than+1000+unique+metabolites.">Systems-level annotation of a metabolomics data set reduces 25000 features to fewer than 1000 unique metabolites.</a> Analytical Chemistry. 89 (19), 10397-10406 (2017).</li></ol>

Gli autori non hanno interessi finanziari concorrenti.

I metodi di analisi di rete basati sulla correlazione parziale implementati in CorrelationCalculator e Filigree aiutano a superare alcuni dei limiti delle analisi delle vie metaboliche basate sulla conoscenza, in particolare per i set di dati con un'elevata prevalenza di metaboliti sconosciuti e una copertura limitata delle vie metaboliche (ad esempio, dati lipidomici). Questi strumenti sono stati ampiamente utilizzati dalla comunità di ricerca per analizzare un'ampia gamma di dati metabolomici e lipidomici 14,22,27,28,...

Nell'ultimo decennio, la metabolomica è emersa come scienza omica grazie ai progressi nelle tecnologie analitiche come la gascromatografia-spettrometria di massa (GC-MS) e la cromatografia liquida-spettrometria di massa (LC-MS). Queste tecniche consentono la misurazione simultanea di centinaia o migliaia di metaboliti di piccole molecole, creando complessi set di dati multidimensionali. Gli esperimenti di metabolomica possono essere eseguiti in modalità mirata o non mirata. Esperimenti mirati di metabolomica misurano classi specifiche di metaboliti. Di solito sono guidati da ipotesi, mentre gli approcci non mirati tentano di misurare il maggior numero possibile di metaboliti e sono di natura generatrice di ipotesi. I saggi mirati di solito includono standard interni e consentono quindi una quantificazione assoluta dei metaboliti di interesse. Al contrario, i saggi non mirati consentono una quantificazione relativa e includono molti metaboliti sconosciuti1.
L'analisi dei dati metabolomici è un processo in più fasi che sfrutta molti strumenti software specializzati1. Può essere suddiviso nelle seguenti tre fasi principali: (1) elaborazione dei dati e controllo di qualità, (2) analisi statistica e (3) interpretazione dei dati biologici. Gli strumenti qui descritti sono progettati per consentire l'ultima fase dell'analisi.
Un modo intuitivo e popolare per interpretare i dati metabolomici è quello di mappare le misurazioni sperimentali sulle vie metaboliche. Per raggiungere questo obiettivo sono stati progettati numerosi strumenti 2,3,4,5, tra cui Metscape, sviluppato dal nostro gruppo6. La mappatura dei percorsi è spesso combinata con l'analisi dell'arricchimento, che aiuta a identificare i percorsi più significativi 7,8. Queste tecniche hanno acquisito importanza nell'analisi dei dati di espressione genica e sono state applicate con successo per l'analisi dei dati di proteomica ed epigenomica 9,10,11,12,13. Tuttavia, l'analisi dei dati metabolomici presenta una serie di sfide per gli approcci basati sulla conoscenza. In primo luogo, oltre ai metaboliti endogeni, i saggi metabolomici misurano i composti esogeni, compresi quelli che provengono dalla nutrizione e da altre fonti ambientali. Questi composti, così come i metaboliti prodotti dai batteri, non possono essere mappati sulle vie umane o metaboliche di altri organismi eucarioti. Inoltre, la copertura del pathway del metabolismo secondario e del metabolismo lipidico attualmente non consente una mappatura ad alta risoluzione al livello che supporterebbe facilmente l'interpretazione biologica dei dati14,15.
Le tecniche di analisi di rete basate sui dati possono aiutare a superare queste sfide. Ad esempio, le reti basate sulla correlazione possono aiutare a derivare relazioni tra metaboliti noti e sconosciuti e facilitare l'annotazione delle incognite16. Mentre il calcolo dei coefficienti di correlazione di Pearson è l'approccio più semplice per stabilire le relazioni lineari tra i metaboliti, lo svantaggio è che cattura sia le associazioni dirette che indirette17,18,19. Un'alternativa consiste nel calcolare coefficienti di correlazione parziale in grado di distinguere tra associazioni dirette e indirette. La modellazione grafica gaussiana (GGM) può essere utilizzata per stimare le reti di correlazione parziale. Tuttavia, GGM richiede che la dimensione del campione e il numero di feature siano comparabili. Questa condizione è raramente soddisfatta nei dati LC-MS non mirati che contengono misurazioni per migliaia di caratteristiche metaboliche. Le tecniche di regolarizzazione possono essere utilizzate per superare questa limitazione. Il lazo grafico (Glasso) e la regressione per nodo sono metodi popolari per la stima regolarizzata della rete di correlazione parziale 16,20.
Il primo degli strumenti bioinformatici qui presentati, CorrelationCalculator16, si basa sull'algoritmo di correlazione parziale sparsa distorta (DSPC). DSPC si basa sulla modellazione lazo grafica de-sparsificata. L'ipotesi alla base dell'algoritmo è che il numero di connessioni tra i metaboliti è considerevolmente inferiore al numero di campioni, cioè la rete di correlazione parziale dei metaboliti è scarsa. Questa ipotesi consente al DSPC di scoprire la connettività tra un gran numero di metaboliti utilizzando un minor numero di campioni, sfruttando tecniche di regressione regolarizzata. Inoltre, utilizzando un passaggio di debiasing per le stime di regressione regolarizzate, ottiene distribuzioni di campionamento per i parametri del bordo che possono essere utilizzate per costruire intervalli di confidenza e testare ipotesi di interesse (ad esempio, presenza/assenza di un singolo o di un gruppo di bordi). La presenza o l'assenza di un bordo nella rete di correlazione parziale può quindi essere formalmente verificata utilizzando i valori p calcolati.
CorrelationCalculator si è rivelato molto utile per l'analisi a gruppo singolo16; Tuttavia, l'obiettivo di molti esperimenti di metabolomica è l'analisi differenziale di due o più condizioni. Mentre CorrelationCalculator può essere utilizzato su ciascuno dei gruppi separatamente per generare reti di correlazione parziale per ogni condizione, questo approccio limita il numero di campioni che possono essere usati per la generazione di rete. Poiché una dimensione del campione sufficientemente grande è una delle considerazioni più importanti nell'analisi basata sui dati, i metodi in grado di sfruttare tutti i campioni disponibili nei dati per costruire reti sono altamente desiderabili. Questo approccio è implementato nel secondo strumento qui presentato, chiamato Filigrana21. Filigree si basa sull'algoritmo DNEA (Differential Network Enrichment Analysis) pubblicato in precedenza22. La tabella 1 mostra le applicazioni e il flusso di lavoro di entrambi gli strumenti.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>Numero di condizioni sperimentali (k)</td>
			<td>k = 1</td>
			<td>k = 2</td>
		</tr><tr><td>Strumento software</td>
			<td>Calcolatore di correlazione</td>
			<td>Filigrana</td>
		</tr><tr><td>Dati di input</td>
			<td>• Matrice di dati Metaboliti x Campioni</td>
			<td>• Matrice di dati Metaboliti x Campioni • Gruppi sperimentali</td>
		</tr><tr><td>Flusso di lavoro •Pretrattamento • Stima della rete • Clustering di rete • Analisi dell'arricchimento</td>
			<td> • Trasformazione dei log; Scalabilità automatica • DSPC • Tramite app esterne •No</td>
			<td> • Trasformazione dei log; Scalabilità automatica • Stima della rete congiunta • Clustering del consenso • NetGSA</td>
		</tr><tr><td>Visualizzazione dei dati</td>
			<td>Tramite app esterna, ad es. Cytoscape</td>
			<td>Tramite app esterna, ad es. Cytoscape</td>
		</tr><tr><td>Test dei moduli metabolici per l'associazione con esito di interesse (opzionale)</td>
			<td>Tramite app esterne</td>
			<td>Tramite app esterne</td>
		</tr></tbody></table>Tabella 1: L'ambito di applicazione e il flusso di lavoro di CorrelationCalculator e Filigree.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>CorrelationCalculator</td>
			<td>JAVA</td>
			<td>http://metscape.med.umich.edu/calculator.html</td>
			<td></td>
		</tr>
		<tr>
			<td>clusterNet</td>
			<td></td>
			<td>https://github.com/Karnovsky-Lab/clusterNet</td>
			<td></td>
		</tr>
		<tr>
			<td>Cytoscape</td>
			<td>Cytoscape</td>
			<td>https://cytoscape.org/</td>
			<td></td>
		</tr>
		<tr>
			<td>Filigree</td>
			<td>JAVA</td>
			<td>http://metscape.med.umich.edu/filigree.html</td>
			<td></td>
		</tr>
		<tr>
			<td>MetScape</td>
			<td>Cytoscape</td>
			<td>https://apps.cytoscape.org/apps/metscape</td>
			<td>Cytoscape application that allows for the creation and exploration of correlation networks.</td>
		</tr>
	</tbody>
</table>

correlationcalculator and filigree: tools for data-driven network analysis of metabolomics data

Una sfida significativa nell'analisi dei dati omici è l'estrazione di conoscenze biologiche utilizzabili. La metabolomica non fa eccezione. Il problema generale di mettere in relazione le variazioni dei livelli dei singoli metaboliti con specifici processi biologici è aggravato dal gran numero di metaboliti sconosciuti presenti negli studi di cromatografia liquida e spettrometria di massa (LC-MS) non mirati. Inoltre, il metabolismo secondario e il metabolismo lipidico sono scarsamente rappresentati nei database di pathway esistenti. Per superare queste limitazioni, il nostro gruppo ha sviluppato diversi strumenti per la costruzione e l'analisi di reti basate sui dati. Questi includono CorrelationCalculator e Filigree. Entrambi gli strumenti consentono agli utenti di costruire reti basate sulla correlazione parziale a partire da dati di metabolomica sperimentale quando il numero di metaboliti supera il numero di campioni. CorrelationCalculator supporta la costruzione di una singola rete, mentre Filigree consente di creare una rete differenziale utilizzando i dati di due gruppi di campioni, seguiti dal clustering della rete e dall'analisi dell'arricchimento. Descriveremo l'utilità e l'applicazione di entrambi gli strumenti per l'analisi di dati metabolomici reali.

In the last decade, metabolomics has emerged as an omics science due to advances in analytical technologies such as Gas Chromatography-Mass Spectrometry (GC-MS) and Liquid Chromatography-Mass Spectrometry (LC-MS). These techniques allow simultaneous measurement of hundreds to thousands of small molecule metabolites, creating complex multidimensional datasets. Metabolomics experiments can be performed in targeted or untargeted modes. Targeted metabolomics experiments measure specific classes of metabolites. They are usually hypothesis-driven, while untargeted approaches attempt to measure as many metabolites as possible and are hypothesis-generating in nature. Targeted assays usually include internal standards and thus allow for absolute quantification of metabolites of interest. In contrast, untargeted assays allow relative quantification and include many unknown metabolites1.
Analysis of metabolomics data is a multi-step process that leverages many specialized software tools1. It can be divided into the following three major steps: (1) data processing and quality control, (2) statistical analysis, and (3) biological data interpretation. The tools described here are designed to enable the latter step of the analysis.
An intuitive and popular way to interpret metabolomics data is to map the experimental measurements onto metabolic pathways. Numerous tools have been designed to achieve this2,3,4,5, including Metscape, developed by our group6. Pathway mapping is often combined with enrichment analysis, which helps identify the most significant pathways7,8. These techniques first gained prominence in the analysis of gene expression data and have been successfully applied for the analysis of proteomics and epigenomics data9,10,11,12,13. However, the analysis of metabolomics data presents a number of challenges for knowledge-based approaches. First, in addition to the endogenous metabolites, metabolomics assays measure exogenous compounds, including those that come from nutrition and other environmental sources. These compounds, as well as metabolites produced by bacteria, cannot be mapped onto human or metabolic pathways of other eukaryotic organisms. Further, pathway coverage of secondary metabolism and lipid metabolism currently does not allow high-resolution mapping at the level that would easily support the biological interpretation of the data14,15.
Data-driven network analysis techniques can help overcome these challenges. For example, correlation-based networks can help derive relationships among both known and unknown metabolites and facilitate the annotation of the unknowns16. While computing Pearson&#39;s correlation coefficients is the most straightforward approach to establishing the linear relationships between metabolites, the disadvantage is that it captures both direct and indirect associations17,18,19. An alternative is to compute partial correlation coefficients that can distinguish between direct and indirect associations. Gaussian graphical modeling (GGM) can be used to estimate partial correlation networks. However, GGM requires that the sample size and the number of features be comparable. This condition is rarely met in untargeted LC-MS data that contains measurements for thousands of metabolic features. Regularization techniques can be utilized to overcome this limitation. Graphical lasso (Glasso) and nodewise regression are popular methods for regularized estimation of the partial correlation network16,20.
The first of the bioinformatics tools presented here, CorrelationCalculator16, is based on the debiased sparse partial correlation (DSPC) algorithm. DSPC relies on de-sparsified graphical lasso modeling. The underlying assumption of the algorithm is that the number of connections among the metabolites is considerably smaller than the number of samples, i.e., the partial correlation network of metabolites is sparse. This assumption allows DSPC to discover the connectivity among large numbers of metabolites using fewer samples, leveraging regularized regression techniques. Further, using a debiasing step for the regularized regression estimates, it obtains sampling distributions for the edge parameters that can be used to construct confidence intervals and test hypotheses of interest (e.g., presence/absence of a single or a group of edges). The presence or absence of an edge in the partial correlation network can thus be formally tested using the computed p-values.
CorrelationCalculator proved to be very useful for single-group analysis16; however, the objective of many metabolomics experiments is the differential analysis of two or more conditions. While&#160;CorrelationCalculator can be employed on each of the groups separately to generate partial correlation networks for each condition, this approach limits the number of samples that can be used for network generation. Since a sufficiently large sample size is one of the biggest considerations in data-driven analysis, methods that can leverage all available samples in the data to construct networks are highly desirable. This approach is implemented in the second tool presented here, called Filigree21. Filigree relies on the previously published Differential Network Enrichment Analysis (DNEA) algorithm22. Table 1 shows the applications and the workflow of both tools.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>Number of experimental conditions (k)</td>
			<td>k = 1</td>
			<td>k = 2</td>
		</tr>
		<tr>
			<td>Software tool</td>
			<td>CorrelationCalculator</td>
			<td>Filigree</td>
		</tr>
		<tr>
			<td>Input data</td>
			<td>&#8226; Metabolites x Samples data matrix</td>
			<td>&#8226; Metabolites x Samples data matrix 
			&#8226; Experimental groups</td>
		</tr>
		<tr>
			<td>Workflow 
			&#8226; Pretreatment 
			&#8226; Network estimation 
			&#8226; Network clustering 
			&#8226; Enrichment analysis</td>
			<td> 
			&#8226; Log transformation; autoscaling 
			&#8226; DSPC 
			&#8226; Via external apps 
			&#8226; No</td>
			<td> 
			&#8226; Log transformation; autoscaling 
			&#8226; Joint network estimation 
			&#8226; Consensus clustering 
			&#8226; NetGSA</td>
		</tr>
		<tr>
			<td>Data visualization</td>
			<td>Via external app, e.g., Cytoscape</td>
			<td>Via external app, e.g., Cytoscape</td>
		</tr>
		<tr>
			<td>Testing metabolic modules for the association with outcome of interest (optional)</td>
			<td>Via external apps</td>
			<td>Via external apps</td>
		</tr>
	</tbody>
</table>
Table 1: The scope of application and the workflow of CorrelationCalculator and Filigree.

Autore in primo piano: Tecnologie emergenti e strumenti avanzati per la decodifica dell'analisi dei dati metabolomici 

CorrelationCalculator e filigrana: strumenti per l'analisi di rete basata sui dati di metabolomica

Metabolomics data analysis is a multi-step process that leverages many specialized software tools. This data analysis can be divided into three major steps, data processing and quality control, statistical analysis, and biological data interpretation. The tools described in this protocol are designed to enable the latter step in the analysis.In the last decade, metabolomics has emerged as anomic science due to advances in analytical technologies such as gas chromatography-mass spectrometry, and liquid chromatography-mass spectrometry. These techniques allow the simultaneous measurements of hundreds to thousands of small molecule metabolites creating complex multidimensional data sets. Metabolomics data analysis presents several challenges for pathway based enrichment approaches.First, a significant number of metabolites cannot be mapped onto metabolic pathways. Further, pathway coverage of secondary and lipid metabolism are not sufficient. Therefore, alternative approaches are needed for the biological interpretation of the data.Data-driven network analysis techniques can help overcome challenges associated with knowledge-based pathway enrichment analysis for metabolomics data. For example, correlation networks can help derive relationships among both known and unknown metabolites, and can thus facilitate annotations of the unknowns.

Per illustrare l'uso di CorrelationCalculator, abbiamo costruito una rete di correlazione parziale utilizzando un sottoinsieme dei dati metabolomici dello studio sulla popolazione KORA descritto in Krumsiek et al.24. Il set di dati conteneva 151 metaboliti e 240 campioni. La Figura 1 mostra la rete di correlazione parziale risultante che è stata visualizzata in Cytoscape. La rete contiene 148 nodi e 272 archi. Il colore dei nodi rappresenta i metaboliti che ...

Watch this Scientific Journal Video about Emerging Technologies and Advanced Tools for Decoding Metabolomics Data Analysis at JoVE.com

Presentiamo CorrelationCalculator e Filigree, due strumenti per la costruzione di reti basate sui dati e l'analisi dei dati metabolomici. CorrelationCalculator supporta la creazione di una singola rete di interazione di metaboliti basata sui dati di espressione, mentre Filigree consente di creare una rete differenziale, seguita dal clustering della rete e dall'analisi dell'arricchimento.

A significant challenge in the analysis of omics data is extracting actionable biological knowledge. Metabolomics is no exception. The general problem of ...

L'analisi dei dati metabolomici è un processo in più fasi che sfrutta molti strumenti software specializzati. Questa analisi dei dati può essere suddivisa in tre fasi principali, elaborazione dei dati e controllo di qualità, analisi statistica e interpretazione dei dati biologici. Gli strumenti descritti in questo protocollo sono progettati per consentire l'ultima fase dell'analisi.Nell'ultimo decennio, la metabolomica è emersa come scienza anomica grazie ai progressi nelle tecnologie analitiche come la gascromatografia-spettrometria di massa e la cromatografia liquida-spettrometria di massa. Queste tecniche consentono di misurare simultaneamente da centinaia a migliaia di metaboliti di piccole molecole, creando complessi set di dati multidimensionali. L'analisi dei dati metabolomici presenta diverse sfide per gli approcci di arricchimento basati su pathway.In primo luogo, un numero significativo di metaboliti non può essere mappato sulle vie metaboliche. Inoltre, la copertura del percorso del metabolismo secondario e lipidico non è sufficiente. Pertanto, sono necessari approcci alternativi per l'interpretazione biologica dei dati.Le tecniche di analisi di rete basate sui dati possono aiutare a superare le sfide associate all'analisi dell'arricchimento del percorso basata sulla conoscenza per i dati metabolomici. Ad esempio, le reti di correlazione possono aiutare a derivare relazioni tra metaboliti noti e sconosciuti e possono quindi facilitare l'annotazione delle incognite.

correlationcalculator-filigree-tools-for-data-driven-network-analysis

Research

JoVE Journal

Biology

CorrelationCalculator and Filigree: Tools for Data-Driven Network Analysis of Metabolomics Data

1.4K Views.  University of Michigan, Ann Arbor. L'analisi dei dati metabolomici è un processo in più fasi che sfrutta molti strumenti software specializzati. Questa analisi dei dati può essere suddivisa in tre fasi principali, elaborazione dei dati e controllo di qualità, analisi statistica e interpretazione dei dati biologici. Gli strumenti descritti in questo protocollo sono progettati per consentire l'ultima fase dell'analisi.Nell'ultimo decennio, la metabolomica è emersa come scienza anomica grazie ai progressi nelle tecnol...

Video: Autore in primo piano: Tecnologie emergenti e strumenti avanzati per la decodifica dell'analisi dei dati metabolomici 

A significant challenge in the analysis of omics data is extracting actionable biological knowledge. Metabolomics is no exception. The general problem of relating changes in levels of individual metabolites to specific biological processes is compounded by the large number of unknown metabolites present in untargeted liquid chromatography-mass spectrometry (LC-MS) studies. Further, secondary metabolism and lipid metabolism are poorly represented in existing pathway databases. To overcome these limitations, our group has developed several tools for data-driven network construction and analysis. These include CorrelationCalculator and Filigree. Both tools allow users to build partial correlation-based networks from experimental metabolomics data when the number of metabolites exceeds the number of samples. CorrelationCalculator supports the construction of a single network, while Filigree allows building a differential network utilizing data from two groups of samples, followed by network clustering and enrichment analysis. We will describe the utility and application of both tools for the analysis of real-life metabolomics data.

We present CorrelationCalculator and Filigree, two tools for data-driven network construction and analysis of metabolomics data. CorrelationCalculator supports building a single interaction network of metabolites based on expression data, while Filigree allows building a differential network, followed by network clustering and enrichment analysis.

Ricerca

Biologia

CorrelationCalculator: A Bioinformatics Tool for Building Single Interaction Metabolites Network Based on Expression Data

To begin, download a sample comma-delimited input file containing a list of metabolites with experimental measurements. Double click on the downloaded sample file to open it and verify that it contains labels for both the samples and the metabolites. Next, download the correlation calculator Java application, and double click on the downloaded JAR file to launch the application.On the input tab, click the browse button to upload the input file. Under specify file format, select samples in rows. Click on the next button from the bottom right of the window to move to the data normalization tab.Under select methods, check the box next to log to transform data and autoscale data. Under normalized data, click the run button. Once the normalization is complete, click the save button to save the new data file.Click on the next button to move to the data analysis tab and under Calculate Pearson's Correlation, click run to determine the best Pearson's correlation range for the data. Click on the view histogram button to review the frequency of the maximal Pearson's correlation scores per feature in the view heat map button to review the representation of Pearson's correlation matrix. Under Filter by Pearson's Correlations, leave the default numbers to filter by a range of 0.00 to 1.00.Then under Select Partial Correlation Method, select the desired method as DSPC method. And under Calculate Partial Correlations, click the run button. Click on the view CSV file to view the results, and click the save button to save the results.A representative network constructed from a subset of the KORA population study metabolomics data consisting of 151 metabolites across 240 subjects is shown. Consensus network clustering resulted in the identification of nine sub-networks or metabolic modules.

CorrelationCalculator: uno strumento bioinformatico per la costruzione di una rete di metaboliti a singola interazione basata sui dati di espressione

Filigree: A Bioinformatics Tool for Building Differential Network Clustering and Enrichment Analysis

To begin, download a sample comma delimited input file containing metabolite measurements. Double click on the downloaded sample file to open it and ensure it contains sample names in column one and group assignations in column two. The remaining columns contain metabolites and each row represents a sample.Next, download the Filigree Java application and double click on the downloaded. jar file to launch the application. On the Data tab, click the Browse button to upload the input file.Under Specify Columns or Rows, click the dropdown arrow next to sample ID to select the corresponding column or row name from the input file. Then select Sample. Next, click on the dropdown arrow next to Group to select the corresponding column or row from the input file and select Group.Under Specify Sample Groups, click the dropdown arrows next to each group to select the corresponding group column from the input file. Under Feature Grouping, check the box next to the desired method, calculate feature groups. Click the view heat maps to view the heat map and determine a desired percent reduction.Next, using the feature reduction slider, select the desired percent reduction of features and slide the small circle until the percent reduction shows a feature-to-sample ratio of 1.25. Click the next button to move to the Analysis tab. Under select output directory, click the browse button and select the desired directory location for storing the generated output files.Click on the Run Analysis button. Upon displaying the message, analysis completed successfully, click the Okay button on the popup window. Next, on the Analysis tab, click the Browse Networks button to open the interactive filigree subnetworks in a browser tab.Under the subnetwork name column, click on the Subnetwork 1 link. Then explore the interactive subnetwork by clicking the plus button and zoom in on the part of the network and click the minus button to zoom out. Click on a group node and drag it to reposition it within the subnetwork.Then click the Expand Features button to expand all the group nodes and review the specific compounds that make up the group nodes. Then click the Collapse Features button to collapse the recently expanded group nodes. Next, click the By Sample Group button to change the view from a single subnetwork to multiple subnetworks split by a group.Then using the view of the subnetworks, explore and compare the groups. Click the All Samples button to go back to the single subnetwork view and click the Next button to view the next subnetwork. The differential network constructed using the plasma metabolite measurements from Type 1 diabetes and non-diabetic mice revealed a higher degree of network connectivity in the non-diabetic group.Enrichment analysis results showed that nine of the 12 metabolic modules identified were significantly different between Type 1 diabetes and non-diabetic mice.