往期回首：

第1期.2024年了，上车代谢组学还不晚

第2期. 对于代谢组学，你必须了解的事

第3期.行将发车，快来学习代谢组学基本历程与技能

第4期. 快来学，一文掌捏代谢组学上游分析

Introduction 

在上一期推文中，咱们先容了MetaboAnalyst在代谢组学上游分析中的行使以及MetaboAnalystR包简介，诸君小伙伴是否也曾对代谢组学下流分析迫不足待了呢？本文咱们将率领民众学习掌捏代谢组学下流分析之多元统计分析。

代谢组学下流分析，即从拿到矩阵数据起初，进行多元统计分析与口头识别、互异代谢物筛选、通路与功能分析等。代谢组学数据下流分析不错基于网页用具在线分析（如MetaboAnalyst等），也不错基于R话语个性化分析。这期咱们为民众先容基于R话语的MetaboAnalystR、ropls包。

本期的共享包括2个话题：

1. MetaboAnalystR包用于多元统计分析

2. ropls包用于多元统计分析

1

一、MetaboAnalystR包

# 加载MetaboAnalystR包library(MetaboAnalystR)# 载入代谢组数据mSet<-InitDataObjects("pktable", "stat", FALSE) # 驱动化数据对象mSet，数据类型为“pktable”，分析类型为“stat”，不进行高维数据处置mSet<-Read.TextData(mSet, "https://rest.xialab.ca/api/download/metaboanalyst/human_cachexia.csv", "rowu", "disc") # 从CSV文献中读取数据，行数据示意样本，冲突变量类型# 履行数据表率化mSet<-SanityCheckData(mSet) # 对数据进行竣工性查验mSet<-ReplaceMin(mSet) # 替换数据中的最小值mSet<-PreparePrenormData(mSet) # 准备数据进行表率化处置mSet<-Normalization(mSet, "NULL", "NULL", "NULL", ratio=FALSE, ratioNum=20) # 对数据进行表率化，未指定具体表率化步伐

# 主要素分析mSet<-PCA.Anal(mSet)  # 对数据进行主要素分析，以降维和可视化高维数据，mSet是包含数据和分析成果的对象# 创建2D PCA得分图mSet<-PlotPCA2DScore(mSet, "pca_score2d_0_", format = "png", dpi=72, width=NA, 1, 2, 0.95, 1, 0)  # "pca_score2d_0_"是输出文献的前缀，format="png"指定输出体式为PNG，dpi=72指定分辩率为72，width=NA示意使用默许宽度， 1和2指定绘画第1和第2主要素，0.95示意置信区间为95%，1示意深远样本点标签，0示意不深远置信椭圆

图片

2D PCA得分图

# PLS回来分析mSet<-PLSR.Anal(mSet, reg=TRUE)  # reg=TRUE示意进行回来分析，mSet是包含数据和分析成果的对象# 创建2D PLS得分图mSet<-PlotPLS2DScore(mSet, "pls_score2d_0_", "png", 72, width=NA, 1,2,0.95,1,0)  # "pls_score2d_0_"是输出文献的前缀，"png"指定输出体式为PNG，72指定分辩率为72，width=NA示意使用默许宽度，1和2指定绘画第1和第2潜在变量，0.95示意置信区间为95%，1示意深远样本点标签，0示意不深远置信椭圆

图片

MetaboAnalystR

# 正交偏最小二乘判别分析mSet<-OPLSR.Anal(mSet, reg=TRUE)  # reg=TRUE示意进行回来分析，mSet是包含数据和分析成果的对象# 创建2D oPLS-DA得分图mSet<-PlotOPLS2DScore(mSet, "opls_score2d_0_", format = "png", dpi=72, width=NA, 1,2,0.95,1,0)  # "opls_score2d_0_"是输出文献的前缀，format="png"指定输出体式为PNG，dpi=72指定分辩率为72，width=NA示意使用默许宽度，1和2指定绘画第1和第2潜在变量，0.95示意置信区间为95%，1示意深远样本点标签，0示意不深远置信椭圆

图片

MetaboAnalystR

2D oPLS-DA得分图

2

二、ropls包

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

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

# PCA分析pca_result <- prcomp(data, scale. = TRUE) # 使用prcomp函数进行PCA分析，scale. = TRUE示意表率化数据# 提真金不怕火PCA成果scores <- pca_result$x  # 提真金不怕火PCA得分（样本在主要素空间中的坐标）# 可视化PCA成果ggplot(as.data.frame(scores), aes(PC1, PC2)) +  # 使用ggplot2绘画PCA得分图，x轴是PC1，y轴是PC2  geom_point() +  # 绘画样本点  theme_minimal() +  # 使用简易的主题  labs(title = "PCA Score Plot", x = "PC1", y = "PC2")  # 添加图标题和轴标签

# PLS-DA分析group <- factor(rep(c("Group1", "Group2"), each = nrow(data)/2))  # 数据分为两组，生要素组因子plsda_result <- opls(data, group, predI = 2, orthoI = 0)  # 使用opls函数进行PLS-DA分析，predI = 2示意接管两个主要素，orthoI = 0示意不进行正交疗养# 提真金不怕火PLS-DA成果plsda_scores <- plsda_result@scoreMN  # 提真金不怕火PLS-DA得分# 可视化PLS-DA成果ggplot(as.data.frame(plsda_scores), aes(p1, p2, color = group)) +  # 使用ggplot2绘画PLS-DA得分图，x轴是p1，y轴是p2，按分组着色  geom_point() +  # 绘画样本点  theme_minimal() +  # 使用简易的主题  labs(title = "PLS-DA Score Plot", x = "PLS1", y = "PLS2")  # 添加图标题和轴标

# OPLS-DA分析oplsda_result <- opls(data, group, predI = 1, orthoI = 1)  # 使用opls函数进行OPLS-DA分析，predI = 1示意一个臆测要素，orthoI = 1示意一个正交要素# 提真金不怕火OPLS-DA成果oplsda_scores <- oplsda_result@scoreMN  # 提真金不怕火OPLS-DA得分# 可视化OPLS-DA成果ggplot(as.data.frame(oplsda_scores), aes(p1, o1, color = group)) +  # 使用ggplot2绘画OPLS-DA得分图，x轴是p1，y轴是o1，按分组着色  geom_point() +  # 绘画样本点  theme_minimal() +  # 使用简易的主题  labs(title = "OPLS-DA Score Plot", x = "Predictive Score", y = "Orthogonal Score")  # 添加图标题和轴标签

Summary

总结一下，代谢组学多元统计分析不错使用已开拓集成的代谢组学分析R包，举例MetaboAnalystR，也不错使用其他具有相似功能的R包，举例ropls等。后期咱们将连接带着民众通盘从浅入深地战斗、相识、掌捏代谢组学！

图片