宏基因组网络分析工具MetagenoNets

什么是MetagenoNets？

MetagenoNets的名称源于微生物网络生物学中的两个非常普遍的需求：

1）根据环境（例如疾病状态）的丰富程度推断其“微生物关联/网络”
2）根据全面的“元数据”，对所有小组级别（例如健康、对照、感病）的网络进行分别分析；推断与“连续元数据类别”和所有组间关联的相关性（给定相同环境的二级组间丰度概况）。

 

 

当前的局限性和挑战是什么？

1. 冗长的工作流程，需要进行丰富的配置文件、推断见解和可视化：

典型的工作流程涉及（a）数据过滤以去除虚假或不相关的特征（b）从多种数据归一化和转换策略中进行选择以考虑样本间偏差，混杂因素，组成等（c）在多种相关推断方法中进行选择导出网络文件（相关矩阵，邻接矩阵，边列表，gmls，jsons）（d）使用图论算法来计算网络特征（例如全局网络属性，局部中心度量）（e）使用可视化包查看网络

1. 元数据引入了额外的复杂性：

与宏基因组学研究相关的全面元数据的可用性为推断和探测微生物关联网络的问题增加了另一层复杂性。对于给定的宏基因组环境，可以有多个级别的元数据组（例如，地理环境可以将国家作为组）。这就需要为每个这样的组分别处理网络。此外，经常还会收集连续的元数据（如BMI，年龄），因此研究人员也有兴趣探索微生物丰度与此类连续数据点的相关性。

1. 组间数据进一步增加了复杂性：

宏基因组学研究通常具有一个或多个“相关”的组学内丰度图。例如，WGS研究不仅可以为研究人员提供微生物的丰度概况，还可以为各种功能单元（如酶，GO，COG，基因等）提供丰度。对相同样品进行的组学研究（如基因表达谱分析）也可以成为紧密相关的组学数据。16S研究的推论功能是与微生物丰度图谱相关的组间图谱的另一个示例。此类二级数据集的可用性通常导致需要找到微生物谱与此类组间单元（如功能，基因等）的相关性。这种相关性的结果通常以“组间整合网络”和“二分网络”的形式可视化。然而为每个元数据类别（和相应的组）实现相同的过程非常繁琐。

 

文章剩余内容<<<<<<