עבודה זו נתמכה על ידי מענק NIH 1U01CA235487.

1. קורלציהמחשבון
<ol><li>הורד קובץ קלט לדוגמה המופרד באמצעות פסיקים המכיל רשימה של מטבוליטים עם מדידות ניסיוניות ב- http://metscape.med.umich.edu/kora_data_240.csv.</li>
	<li>לחץ פעמיים על הקובץ לדוגמה שהורדת כדי לפתוח אותו.<ol><li>ודא שהקובץ מכיל תוויות הן עבור הדגימות והן עבור המטבוליטים.</li>
		<li>מכיוון שהדגימות נמצאות בשורות, ודא שהעמודה הראשונה היא שמות הדגימות והשורה הראשונה היא שמות המטבוליטים.</li>
	</ol></li>
	<li>הורד את היישום CorrelationCalculator Java (http://metscape.med.umich.edu/calculator.html). לחץ פעמיים על קובץ .jar שהורדת כדי להפעיל את היישום.</li>
	<li>בכרטיסיה קלט , לחץ על לחצן עיון כדי להעלות את קובץ הקלט.</li>
	<li>תחת ציין תבנית קובץ, השתמש בחץ הנפתח כדי לבחור את תבנית קובץ הקלט המתאימה. בחר דוגמאות בשורות (איור משלים 1).</li>
	<li>עבור אל הכרטיסיה נורמליזציה של נתונים על-ידי לחיצה על לחצן >> הבא בפינה השמאלית התחתונה של החלון.</li>
	<li>תחת בחר שיטות, סמן את התיבה לצד Log2-המרת נתונים. סמן את התיבה לצד נתונים בקנה מידה אוטומטי.</li>
	<li>תחת נרמול נתונים, לחץ על לחצן הפעל . הערה: לאחר השלמת הנורמליזציה, לחץ על הלחצן הצג נתונים מנורמלים , הממוקם תחת נרמול נתונים, וסקור את ערכת הנתונים המעודכנת (איור משלים 2).</li>
	<li>תחת נרמול נתונים, לחץ על לחצן שמור ושמור את קובץ הנתונים החדש.</li>
	<li>עבור אל הכרטיסיה ניתוח נתונים על-ידי לחיצה על לחצן >> הבא בפינה השמאלית התחתונה של החלון.</li>
	<li>תחת חשב מתאם פירסון, לחץ על הפעל. קבע את טווח המתאם הטוב ביותר של פירסון עבור הנתונים.<ol><li>לחץ על לחצן הצג היסטוגרמה . סקור את התדירות של ציוני המתאם המרביים של פירסון לכל תכונה.</li>
		<li>לחץ על הלחצן הצג מפת חום . סקור את הייצוג של מטריצת המתאם של פירסון.</li>
	</ol></li>
	<li>תחת סנן לפי מתאמים של פירסון, השאר את מספרי ברירת המחדל לסינון לפי טווח של 0.00 עד 1.00 הערה: החלק את החץ הכחול הקטן בקצה הימני מ- 1 ואת החץ הכחול הקטן משמאל מ- 0 כדי לשנות את המסנן. הזנת מספרים ספציפיים בתיבות הטקסט היא גם אפשרות.</li>
	<li>תחת Select Partial Correlation Method, בחר את השיטה הרצויה, DSPC Method. הערה: אם מספר המטבוליטים קטן ממספר הדגימות בערכת הנתונים, ניתן להשתמש רק בשיטת DSPC.</li>
	<li>תחת חשב מתאמים חלקיים, לחץ על לחצן הפעל (איור משלים 3).</li>
	<li>לחץ על הצג קובץ CSV והצג את התוצאות. לחץ על להציל כפתור ושמור את התוצאות.</li>
	<li>לחץ על הלחצן View in MetScape כדי להפעיל רשת מתאם אינטראקטיבית. ראו Karnovsky, A. et al.6 למידע נוסף על השימוש ב-MetScape. הערה: MetScape הוא יישום Cytoscape המאפשר יצירה וחקירה של רשתות מתאמים.</li>
</ol>2. פיליגרן
<ol><li>הורד קובץ קלט לדוגמה המופרד באמצעות פסיקים המכיל מדידות מטבוליטים ב- http://metscape.med.umich.edu/T1D_primaryMetabolites_noIS_log_scaled_sorted.csv.</li>
	<li>לחץ פעמיים על הקובץ לדוגמה שהורדת כדי לפתוח אותו.<ol><li>ודא שהקובץ מכיל שמות לדוגמה בעמודה 1 והקצאות קבוצות בעמודה 2. ודא שהעמודות הנותרות מכילות מטבוליטים/שומנים.</li>
		<li>ודא שכל שורה מייצגת מדגם. הערה: מדידות המטבוליטים צריכות לעבור טרנספורמציה של יומן רישום ושינוי קנה מידה אוטומטי, אלא אם כן הן מבצעות צבירת תכונות, ובמקרה זה המדידות צריכות להיות רק בשינוי יומן.</li>
	</ol></li>
	<li>הורד את יישום Filigree Java (http://metscape.med.umich.edu/filigree.html). הערה: מדריך מפורט למשתמש זמין בכתובת http://metscape.ncibi.org/v0.1.2Filigree_UserManual.pdf.</li>
	<li>לחץ פעמיים על קובץ .jar שהורדת כדי להפעיל את היישום.</li>
	<li>בכרטיסיה נתונים , לחץ על לחצן עיון כדי להעלות את קובץ הקלט.</li>
	<li>תחת ציין עמודות/שורות, לחץ על החץ הנפתח לצד מזהה לדוגמה כדי לבחור את שם העמודה/שורה המתאים מקובץ הקלט. בחר דוגמה.</li>
	<li>תחת ציין עמודות/שורות, לחץ על החץ הנפתח לצד "קבוצה" כדי לבחור את העמודה/שורה המתאימה מקובץ הקלט. בחר קבוצה.</li>
	<li>תחת ציין קבוצות לדוגמה, לחץ על החצים הנפתחים לצד כל קבוצה כדי לבחור את עמודת הקבוצה המתאימה מקובץ הקלט. עבור קבוצה 1, בחר סוכרת. עבור קבוצה 2, בחר לא סוכרתי.</li>
	<li>תחת קיבוץ תכונות, סמן את התיבה לצד השיטה הרצויה, חישוב קבוצות תכונות.</li>
	<li>לחצו על הלחצן 'הצג מפות חום '. הצג את מפת החום וקבע את אחוז ההפחתה הרצוי.</li>
	<li>השתמש במחוון הפחתת תכונות כדי לבחור את אחוז הפחתת התכונות הרצוי. החלק את העיגול הקטן עד שההפחתה באחוזים תציג יחס תכונה למדגם של 1.25 (איור משלים 4).</li>
	<li>עבור אל הכרטיסיה ניתוח על-ידי לחיצה על לחצן >> הבא בפינה השמאלית התחתונה של החלון.</li>
	<li>תחת בחר ספריית פלט, לחץ על הלחצן עיון ובחר את מיקום הספרייה הרצוי לאחסון קבצי הפלט שנוצרו.</li>
	<li>לחץ על לחצן הפעל ניתוח הממוקם בפינה השמאלית התחתונה של החלון. סרגלי ההתקדמות מתעדכנים עבור כל רכיב ניתוח (איור משלים 5). לחץ על בסדר כפתור בחלון המוקפץ המציג את ההודעה ניתוח הושלם בהצלחה.</li>
	<li>בכרטיסיה ניתוח , לחץ על לחצן עיון ברשתות כדי לפתוח את רשתות המשנה האינטראקטיביות של פיליגרן בכרטיסיית דפדפן.</li>
	<li>לחץ על הקישור רשת משנה 1 תחת העמודה שם רשת משנה .</li>
	<li>חקור את רשת המשנה האינטראקטיבית באמצעות הלחצנים השונים. לחץ על לחצן + והתקרב לחלק של הרשת. לחץ על הלחצן - והקטנת התצוגה (איור משלים 6).</li>
	<li>לחץ על צומת קבוצה וגרור אותו כדי למקם אותו מחדש בתוך רשת המשנה. הערה: צבע צומת מייצג ויסות מעלה/מטה, ואטימות צבע מייצגת שינוי בקיפול גבוה/נמוך יותר. צבע הקצוות מייצג את מצב הדיפרנציאל בין קבוצות.</li>
	<li>לחץ על לחצן הרחב תכונות בפינה השמאלית העליונה של הדף כדי להרחיב את כל צמתי הקבוצה. סקור את התרכובות הספציפיות המרכיבות את צמתי הקבוצה.</li>
	<li>לחץ על לחצן כווץ תכונות בפינה השמאלית העליונה של הדף כדי לכווץ את צמתי הקבוצה שהורחבו לאחרונה.</li>
	<li>לחץ על לחצן לפי קבוצה לדוגמה בפינה השמאלית העליונה של הדף כדי לשנות את התצוגה מרשת משנה יחידה לרשתות משנה מרובות המפוצלות על-ידי קבוצה. חקור והשווה את הקבוצות באמצעות תצוגה זו של תת-הרשתות (איור משלים 7).</li>
	<li>לחץ על הלחצן All Samples כדי לחזור לתצוגת רשת המשנה היחידה.</li>
	<li>הצג את רשת המשנה הבאה על-ידי לחיצה על לחצן הבא בפינה השמאלית העליונה של הדף.</li>
	<li>חזור על שלבים 2.19-2.23 עבור כל רשת משנה.</li>
	<li>לחץ על הקישור תוצאות ניתוח העשרת רשת דיפרנציאלית באמצע החלון העליון כדי לחזור לתצוגת טבלת הסיכום המפרטת את כל רשתות המשנה. הערה: ייבא את קובצי פלט הקצה ו/או הצומת בכלי תוכנה אחר, כגון Cytoscape23, כדי ליצור תצוגות חזותיות נוספות של הרשת.</li>
</ol>3. שיקולים נוספים
<ol><li>במחשבי Mac עם Big Sur (OSX 11.2) ואילך, אשר/י את הכלי בתפריט Apple >״ העדפות המערכת״ >״אבטחה ופרטיות״ >״כללי״ ובחר /י ״ אפשר״ בתחתית הכרטיסייה.</li>
	<li>בנוסף, אפשר ל-Filigree גישה לקבצים בתפריט Apple > העדפות המערכת > אבטחה ופרטיות > פרטיות על-ידי בחירה באפשרות קבצים ותיקיות בתפריט משמאל ולאחר מכן בחירה באפשרות Filigree בתפריט מימין.</li>
</ol>

טיפול בניתוח נתונים מטאבולומיים באמצעות כלים ביואינפורמטיים מתקדמים

<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>

למחברים אין אינטרסים כלכליים מתחרים.

שיטות ניתוח רשת מבוססות מתאם חלקי המיושמות ב- CorrelationCalculator וב- Filigree עוזרות להתגבר על חלק מהמגבלות של ניתוחי מסלולים מטבוליים מבוססי ידע, במיוחד עבור מערכי הנתונים עם שכיחות גבוהה של מטבוליטים לא ידועים וכיסוי מוגבל של מסלולים מטבוליים (למשל, נתוני ליפידומיה). כלים אלה נמצאים בשימוש נרחב על ?...

בעשור האחרון, מטבולומיקה התפתחה כמדע אומיקס עקב התקדמות בטכנולוגיות אנליטיות כגון כרומטוגרפיית גז-ספקטרומטריית מסה (GC-MS) וכרומטוגרפיה נוזלית-ספקטרומטריית מסה (LC-MS). טכניקות אלה מאפשרות מדידה בו זמנית של מאות עד אלפי מטבוליטים של מולקולות קטנות, ויוצרות מערכי נתונים רב-ממדיים מורכבים. ניסויים מטבולומיים יכולים להתבצע במצבים ממוקדים או לא ממוקדים. ניסויים מטבולומיים ממוקדים מודדים סוגים ספציפיים של מטבוליטים. הם בדרך כלל מונעים על ידי השערות, בעוד גישות לא ממוקדות מנסות למדוד מטבוליטים רבים ככל האפשר והם מחוללי השערות בטבע. בדיקות ממוקדות כוללות בדרך כלל סטנדרטים פנימיים ובכך מאפשרות כימות מוחלט של מטבוליטים בעלי עניין. לעומת זאת, בדיקות לא ממוקדות מאפשרות כימות יחסי וכוללות מטבוליטים לא ידועים רבים1.
ניתוח נתוני מטבולומיקה הוא תהליך רב-שלבי הממנף כלי תוכנה מיוחדים רבים1. ניתן לחלק אותו לשלושת השלבים העיקריים הבאים: (1) עיבוד נתונים ובקרת איכות, (2) ניתוח סטטיסטי, ו (3) פרשנות נתונים ביולוגיים. הכלים המתוארים כאן נועדו לאפשר את השלב האחרון של הניתוח.
דרך אינטואיטיבית ופופולרית לפרש נתונים מטאבולומיים היא למפות את המדידות הניסיוניות למסלולים מטבוליים. כלים רבים תוכננו כדי להשיג אתזה 2,3,4,5, כולל Metscape, שפותחה על ידי קבוצה6 שלנו. מיפוי מסלולים משולב לעתים קרובות עם ניתוח העשרה, המסייע לזהות את המסלולים המשמעותיים ביותר 7,8. טכניקות אלה זכו לראשונה לבולטות בניתוח נתוני ביטוי גנים ויושמו בהצלחה לניתוח נתוני פרוטאומיקה ואפיגנומיקה 9,10,11,12,13. עם זאת, ניתוח הנתונים המטאבולומיים מציב מספר אתגרים בפני גישות מבוססות ידע. ראשית, בנוסף למטבוליטים האנדוגניים, מבחני מטבולומיקה מודדים תרכובות אקסוגניות, כולל אלה שמקורן בתזונה וממקורות סביבתיים אחרים. תרכובות אלה, כמו גם מטבוליטים המיוצרים על ידי חיידקים, אינם ניתנים למיפוי על מסלולים אנושיים או מטבוליים של אורגניזמים איקריוטים אחרים. יתר על כן, כיסוי מסלולים של מטבוליזם משני ומטבוליזם שומנים כיום אינו מאפשר מיפוי ברזולוציה גבוהה ברמה שתתמוך בקלות בפרשנות הביולוגית של הנתונים14,15.
טכניקות ניתוח רשת מונחות נתונים יכולות לעזור להתגבר על אתגרים אלה. לדוגמה, רשתות מבוססות מתאם יכולות לעזור לגזור קשרים בין מטבוליטים ידועים ולא ידועים ולהקל על ביאור הנעלמים16. בעוד חישוב מקדמי המתאם של פירסון הוא הגישה הפשוטה ביותר לביסוס היחסים הליניאריים בין מטבוליטים, החיסרון הוא שהוא לוכד קשרים ישירים ועקיפים 17,18,19. חלופה היא לחשב מקדמי מתאם חלקיים שיכולים להבחין בין קשרים ישירים ועקיפים. ניתן להשתמש במידול גרפי גאוסיאני (GGM) כדי להעריך רשתות מתאם חלקיות. עם זאת, GGM דורש שגודל המדגם ומספר התכונות יהיו דומים. מצב זה מתקיים לעתים רחוקות בנתוני LC-MS לא ממוקדים המכילים מדידות עבור אלפי תכונות מטבוליות. ניתן להשתמש בטכניקות הסדרה כדי להתגבר על מגבלה זו. לאסו גרפי (Glasso) ורגרסיית צומת הן שיטות פופולריות לאמידה מוסדרת של רשת המתאם החלקי16,20.
הראשון מבין כלי הביואינפורמטיקה המוצגים כאן, CorrelationCalculator16, מבוסס על אלגוריתם המתאם החלקי הדליל (DSPC). DSPC מסתמך על מידול לאסו גרפי נטול חסכים. הנחת היסוד של האלגוריתם היא שמספר הקשרים בין המטבוליטים קטן משמעותית ממספר הדגימות, כלומר רשת המתאם החלקי של המטבוליטים דלילה. הנחה זו מאפשרת ל-DSPC לגלות את הקישוריות בין מספר גדול של מטבוליטים באמצעות פחות דגימות, תוך מינוף טכניקות רגרסיה מוסדרות. יתר על כן, באמצעות שלב debiasing עבור אומדני רגרסיה מוסדרים, הוא משיג התפלגות דגימה עבור פרמטרי הקצה שניתן להשתמש בהם כדי לבנות רווחי סמך ולבדוק השערות של עניין (למשל, נוכחות/היעדר יחיד או קבוצה של קצוות). לפיכך, ניתן לבדוק באופן רשמי את נוכחותו או היעדרו של קצה ברשת המתאם החלקי באמצעות ערכי p מחושבים.
CorrelationCalculator הוכיח להיות שימושי מאוד עבור ניתוח קבוצה אחת16; עם זאת, המטרה של ניסויים מטבולומיים רבים היא ניתוח דיפרנציאלי של שני תנאים או יותר. בעוד שניתן להשתמש ב- CorrelationCalculator בכל אחת מהקבוצות בנפרד כדי ליצור רשתות מתאם חלקיות עבור כל תנאי, גישה זו מגבילה את מספר הדגימות שניתן להשתמש בהן ליצירת רשת. מכיוון שגודל מדגם גדול מספיק הוא אחד השיקולים הגדולים ביותר בניתוח מונחה נתונים, שיטות שיכולות למנף את כל הדגימות הזמינות בנתונים לבניית רשתות רצויות מאוד. גישה זו מיושמת בכלי השני המוצג כאן, הנקרא פיליגרן21. פיליגרן מסתמך על אלגוריתם ניתוח העשרת רשת דיפרנציאלית (DNEA)22 שפורסם בעבר. טבלה 1 מציגה את היישומים ואת זרימת העבודה של שני הכלים.
<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always"><tbody><tr><td>מספר תנאי הניסוי (k)</td>
			<td>k = 1</td>
			<td>k = 2</td>
		</tr><tr><td>כלי תוכנה</td>
			<td>קורלציהמחשבון</td>
			<td>פיליגרן</td>
		</tr><tr><td>נתוני קלט</td>
			<td>• מטבוליטים x מטריצת נתונים לדוגמה</td>
			<td>• מטבוליטים x מטריצת נתונים לדוגמה • קבוצות ניסוי</td>
		</tr><tr><td>זרימת עבודה • טיפול מקדים • הערכת רשת • קיבוץ אשכולות רשת • ניתוח העשרה</td>
			<td> • טרנספורמציית יומן; שינוי קנה מידה אוטומטי • DSPC • באמצעות אפליקציות חיצוניות •לא</td>
			<td> • טרנספורמציית יומן; שינוי קנה מידה אוטומטי • הערכת רשת משותפת • קיבוץ קונצנזוס • NetGSA</td>
		</tr><tr><td>תצוגה חזותית של נתונים</td>
			<td>באמצעות אפליקציה חיצונית, למשל, Cytoscape</td>
			<td>באמצעות אפליקציה חיצונית, למשל, Cytoscape</td>
		</tr><tr><td>בדיקת מודולים מטבוליים עבור הקשר עם התוצאה של עניין (אופציונלי)</td>
			<td>באמצעות אפליקציות חיצוניות</td>
			<td>באמצעות אפליקציות חיצוניות</td>
		</tr></tbody></table>טבלה 1: היקף היישום וזרימת העבודה של CorrelationCalculator ו- 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

אתגר משמעותי בניתוח נתוני אומיקס הוא חילוץ ידע ביולוגי בר ביצוע. מטבולומיקה אינה יוצאת דופן. הבעיה הכללית של קישור שינויים ברמות של מטבוליטים בודדים לתהליכים ביולוגיים ספציפיים מורכבת על ידי מספר גדול של מטבוליטים לא ידועים הנמצאים במחקרי ספקטרומטריית מסה כרומטוגרפיה נוזלית לא ממוקדת (LC-MS). יתר על כן, מטבוליזם משני ומטבוליזם שומנים מיוצגים בצורה גרועה במסדי נתונים קיימים של מסלולים. כדי להתגבר על מגבלות אלה, הקבוצה שלנו פיתחה מספר כלים לבנייה וניתוח של רשתות מונחות נתונים. אלה כוללים CorrelationCalculator ו Filigree. שני הכלים מאפשרים למשתמשים לבנות רשתות מבוססות מתאם חלקי מנתוני מטבולומיקה ניסיונית כאשר מספר המטבוליטים עולה על מספר הדגימות. CorrelationCalculator תומך בבניית רשת אחת, בעוד Filigree מאפשר בניית רשת דיפרנציאלית תוך שימוש בנתונים משתי קבוצות של דגימות, ולאחר מכן אשכולות רשת וניתוח העשרה. נתאר את התועלת והיישום של שני הכלים לניתוח נתונים מטאבולומיים בחיים האמיתיים.

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.

מחבר זרקור: טכנולוגיות מתפתחות וכלים מתקדמים לפענוח ניתוח נתונים מטבולומיים 

CorrelationCalculator and Filigree: כלים לניתוח רשת מונחה נתונים של נתוני מטבולומיקה

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.

כדי להמחיש את השימוש ב- CorrelationCalculator, בנינו רשת מתאם חלקית באמצעות תת-קבוצה של נתוני מטבולומיקה ממחקר האוכלוסייה KORA המתואר ב- Krumsiek et al.24. מערך הנתונים הכיל 151 מטבוליטים ו-240 דגימות. איור 1 מראה את רשת המתאם החלקי שנוצרה ב-Cytoscape. הרשת מכילה 148 צמתים ו-272 קצוות. צבע ...

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

אנו מציגים את CorrelationCalculator ו- Filigree, שני כלים לבניית רשת מונחית נתונים וניתוח נתונים של נתונים מטאבולומיים. CorrelationCalculator תומך בבניית רשת אינטראקציה אחת של מטבוליטים המבוססים על נתוני ביטוי, בעוד Filigree מאפשר בניית רשת דיפרנציאלית, ואחריה אשכולות רשת וניתוח העשרה.

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

ניתוח נתונים מטאבולומי הוא תהליך רב שלבי הממנף כלי תוכנה מיוחדים רבים. ניתן לחלק ניתוח נתונים זה לשלושה שלבים עיקריים, עיבוד נתונים ובקרת איכות, ניתוח סטטיסטי ופרשנות נתונים ביולוגיים. הכלים המתוארים בפרוטוקול זה נועדו לאפשר את השלב האחרון בניתוח.בעשור האחרון, מטבולומיקה התפתחה כמדע אנומי עקב התקדמות בטכנולוגיות אנליטיות כגון כרומטוגרפיית גזים-ספקטרומטריית מסות, וספקטרומטריית מסה של כרומטוגרפיה נוזלית. טכניקות אלה מאפשרות מדידות סימולטניות של מאות עד אלפי מטבוליטים של מולקולות קטנות ויוצרות מערכי נתונים רב-ממדיים מורכבים. ניתוח נתונים מטבולומיקס מציב מספר אתגרים בפני גישות העשרה מבוססות מסלולים.ראשית, לא ניתן למפות מספר משמעותי של מטבוליטים למסלולים מטבוליים. יתר על כן, כיסוי מסלול של מטבוליזם משני ושומנים אינם מספיקים. לכן, יש צורך בגישות חלופיות לפרשנות הביולוגית של הנתונים.טכניקות ניתוח רשת מונחות נתונים יכולות לסייע להתגבר על אתגרים הקשורים לניתוח העשרת מסלולים מבוסס ידע עבור נתונים מטבולומיים. לדוגמה, רשתות מתאם יכולות לעזור לגזור קשרים בין מטבוליטים ידועים ולא ידועים, ובכך יכולות להקל על ביאורים של הלא ידועים.

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. ניתוח נתונים מטאבולומי הוא תהליך רב שלבי הממנף כלי תוכנה מיוחדים רבים. ניתן לחלק ניתוח נתונים זה לשלושה שלבים עיקריים, עיבוד נתונים ובקרת איכות, ניתוח סטטיסטי ופרשנות נתונים ביולוגיים. הכלים המתוארים בפרוטוקול זה נועדו לאפשר את השלב האחרון בניתוח.בעשור האחרון, מטבולומ...

Video: מחבר זרקור: טכנולוגיות מתפתחות וכלים מתקדמים לפענוח ניתוח נתונים מטבולומיים 

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.

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: כלי ביואינפורמטיקה לבניית רשת מטבוליטים של אינטראקציה יחידה המבוססת על נתוני ביטוי

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.