Para começar, baixe um arquivo de entrada delimitado por vírgulas de amostra contendo uma lista de metabólitos com medições experimentais. Clique duas vezes no arquivo de amostra baixado para abri-lo e verifique se ele contém rótulos para as amostras e os metabólitos. Em seguida, baixe o aplicativo Java da calculadora de correlação e clique duas vezes no arquivo JAR baixado para iniciar o aplicativo.
Na guia de entrada, clique no botão Procurar para carregar o arquivo de entrada. Em Especificar formato de arquivo, selecione exemplos em linhas. Clique no botão ao lado no canto inferior direito da janela para ir para a guia de normalização de dados.
Em selecionar métodos, marque a caixa ao lado de log para transformar dados e dimensionar dados automaticamente. Em dados normalizados, clique no botão Executar. Quando a normalização estiver concluída, clique no botão Salvar para salvar o novo arquivo de dados.
Clique no botão ao lado para ir para a guia de análise de dados e, em Calcular Correlação de Pearson, clique em Executar para determinar o melhor intervalo de correlação de Pearson para os dados. Clique no botão exibir histograma para revisar a frequência dos escores máximos de correlação de Pearson por recurso no botão exibir mapa de calor para revisar a representação da matriz de correlação de Pearson. Em Filtrar por correlações de Pearson, deixe os números padrão para filtrar por um intervalo de 0,00 a 1,00.
Em seguida, em Selecionar Método de Correlação Parcial, selecione o método desejado como método DSPC. E em Calcular correlações parciais, clique no botão executar. Clique no arquivo CSV de visualização para visualizar os resultados e clique no botão Salvar para salvar os resultados.
Uma rede representativa construída a partir de um subconjunto dos dados metabolômicos do estudo populacional KORA consistindo de 151 metabólitos em 240 indivíduos é mostrada. O agrupamento de redes de consenso resultou na identificação de nove sub-redes ou módulos metabólicos.
