代谢组 转录组和蛋白组分别使用什么差异分析方法？为什么不可以使用相同的方法？

代谢物组数据分析 基础流程Metabolomics analysis - 知乎

代谢组学——数据标准化 - 知乎 

https://github.com/dgrapov/TeachingDemos/wiki/Partial-Least-Squareshttps://github.com/dgrapov/TeachingDemos/wiki/Partial-Least-Squares 单组学的多变量分析|1.PCA和PLS-DA

视频实操SCI作图课(3)：OPLS-DA分析，组间差异的挖掘神器本次给大家介绍的是迈维云2.0的第三个高频小工具：OPLS-DA分析。https://mp.weixin.qq.com/s?__biz=MzU2MzMzOTk1Mg==&mid=2247499171&idx=1&sn=305b1e43cc99438a63b76db9a9773c79&chksm=fc590a7ccb2e836a32592e9a3149e1ebfb040f3f6f43ea2d5fac826434e68b3c6d4fc26f1039&scene=178&cur_album_id=1762718371294330897#rd 代谢产物差异分析 | 生信菜鸟团 http://www.bio-info-trainee.com/8512.html

干货｜浅析代谢组学最常用到的数据分析方法代谢组学数据分析方法集锦，请查收。https://mp.weixin.qq.com/s?__biz=MzU2MzMzOTk1Mg==&mid=2247484793&idx=1&sn=dc30ac709cf16d7c2149dc624c01b054&chksm=fc5af2a6cb2d7bb012f6f432d5a848e710a416d5d35b7830b554dde57bc988c5cb786772fc76&scene=178&cur_album_id=1762718371294330897#rd 

ropls: PCA, PLS(-DA) and OPLS(-DA) for multivariate analysis and feature selection of omics datahttps://www.bioconductor.org/packages/release/bioc/vignettes/ropls/inst/doc/ropls-vignette.html#the-ropls-package强烈推荐  ：   OPLS-DA在R语言中的实现 | 小蓝哥的知识荒原主成分分析（Principal Component Analysis，PCA）是一种无监督降维方法，能够有效对高维数据进行处理。但PCA对相关性较小的变量不敏感，而PLS-DA（Partial Least Squares-Discriminhttps://www.web4xiang.com/blog/article/3f4f7ea1/

PCA和PERMANOVA分析 | 小蓝哥的知识荒原

PCA和PERMANOVA分析 | 小蓝哥的知识荒原

OPLS-DA法：代谢组学数据分析及可视化教程（Tutorial） - 知乎 

非靶代谢组原始数据上传保姆级教程Get本文离文章发表又近了一步！https://mp.weixin.qq.com/s?__biz=MzU2MzMzOTk1Mg==&mid=2247500098&idx=1&sn=2a28cb8e0a3001d5206f912ab2173987&chksm=fc59369dcb2ebf8b402008bdd8948e339267bb379bcc5d9a690e1382a7f2d48c0b1aab3a51fc&scene=178&cur_album_id=1762718371294330897#rd 

OPLS-DA在R语言中的实现 | 小蓝哥的知识荒原主成分分析（Principal Component Analysis，PCA）是一种无监督降维方法，能够有效对高维数据进行处理。但PCA对相关性较小的变量不敏感，而PLS-DA（Partial Least Squares-Discriminhttps://www.web4xiang.com/blog/article/3f4f7ea1/GitHub - dgrapov/TeachingDemos: Bioinformatics related demos and tutorials using the R programming language

 Orthogonal Partial Least Squares (OPLS) in R | R-bloggers

代谢组学——数据标准化 - 知乎大家好，今天准备给大家介绍一下代谢组中涉及到的一些 数据标准化（Data Normalization）方法。 在代谢组数据分析，特别是非靶向（Untargeted Metabolomics）代谢组的分析当中，数据标准化是一个不可缺少的部分，…https://zhuanlan.zhihu.com/p/79373522 

 主成分分析(PCA)及其可视化的基础指南https://mp.weixin.qq.com/s?__biz=MzIxMDExNDE0OQ==&mid=2247485703&idx=1&sn=6dd1718b68f635e05a9a559e12d18b7b&chksm=9768ca0da01f431bda6a6439aeddc85a4b7bec3dca439cef62db4aadfb7673c4b6a1be061d61&scene=21#wechat_redirect简便上手 | 利用Excel和小工具完成FC/p/VIP值计算 - 知乎

单组学的多变量分析|1.PCA和PLS-DA

Tools4You教程4：PCA | 小蓝哥的知识荒原

 

 主成分分析（Principal Component Analysis，PCA）是一种无监督降维方法，能够有效对高维数据进行处理。但PCA对相关性较小的变量不敏感，而PLS-DA（Partial Least Squares-Discriminant Analysis，偏最小二乘判别分析）能够有效解决这个问题。而OPLS-DA（正交偏最小二乘判别分析）结合了正交信号和PLS-DA来筛选差异变量

关于非靶向代谢组的主要思路 - 知乎走过以后才知道到目前为止，我接触代谢组方面的内容已经有几年了，接触的越多，才发现自己研究之外的东西还有太多太多。第一次接触代谢组的东西还是在硕士的时候，那个时候带我的老师也想做出一点新的东西，所以就…https://zhuanlan.zhihu.com/p/88214538

 简便上手 | 利用Excel和小工具完成FC/p/VIP值计算 - 知乎差异代谢物筛选方式及利用Excel完成计算的方法 倍数变化法（FC值） 01FC值定义及筛选标准 (1)定义：根据代谢物的相对定量或绝对定量结果，计算某个代谢物在两组间表达量的差异倍数（Fold Change），简称FC值； (2)…https://zhuanlan.zhihu.com/p/431989554

OPLS-DA：正交篇最小二乘法判别分析

原理：

OPLS-DA不同于PCA，它是一种有监督的判别分析统计方法。运用偏最小二乘回归建立代谢物表达量与样本类别之间的关系模型，来实现对样本类别的预测

OPLS-DA需要样本变量矩阵和样本分类矩阵两个文件确立样本关系，如下所示：

 

图1

结果图1：OPLS-DA得分图：

横坐标表示OSC过程中的主要成分的得分值( Tp ) , 所以从横坐标的方向可以看到组间的差异；

纵坐标表示OSC过程中的正交成分的得分值(TO) ，所以从纵坐标上看出组内的差异(组内样本间的差异)。

 

图2

结果图2：OPLS-DA的S-plot图

S-plot 图的横坐标表示主成份与代谢物的协相关系数,纵坐标表示主成份与代谢物的相关系数。

S-plot 图一般用来挑选与OSC过程中主要成分的相关性比较强的代谢物，从另一方面同时也可以挑选与Y相关性强的代谢物。越靠近两个角的代谢物重要度越强。红色的点表明这些代谢物的VIP值大于等于1 , 绿色的点表示这些代谢物的VIP值小于等于1。

图3

结果图3：OPLS-DA的模型验证 permutation Test图

模型验证 permutation Test 图的横坐标表示模型的准确率，纵坐标表示200次 permutation Test 中200个模型的准确率的频数，箭头表示本OPLS-DA模型准确率所在的位置。

其中R2X和R2Y分别表示所建模型对X和Y矩阵的解释率， Q2表示模型的预测能力，理论上R2、Q2数值越接近1说明模型越好，越低说明模型的拟合准确性越差。

通常情况下 , R2、Q2高于0.5较好，高于0.4即可接受。

从图中可以看出Q2为0.994 , R2Y为1 , R2X为0.685 , Q2和R2Y的P值均为0.005 ,说明 permutation Test 中只有1个随机分组模型结果优于本OPLS-DA模型，一般情况下P<0.05时模型最佳。

代谢组 转录组和蛋白组分别使用什么差异分析方法？为什么不可以使用相同的方法？

ChatGPT

代谢组学、转录组学和蛋白组学是三个不同层面的研究，分别关注代谢物、基因表达和蛋白质表达的变化。由于它们具有不同的数据特点和研究目的，所以需要使用不同的差异分析方法。

在代谢组学中，常用的差异分析方法包括t检验、方差分析（ANOVA）、多重比较校正方法（如Bonferroni校正、Benjamini-Hochberg校正）等。这些方法适用于比较不同样本组之间代谢物的相对丰度或浓度差异。代谢组学数据通常是高维度、非正态分布的，因此需要选择适合的统计方法进行分析。

转录组学中常用的差异分析方法包括DESeq、edgeR等。这些方法主要用于比较基因在不同样本组之间的表达水平差异。转录组学数据通常是基因表达水平的定量数据，因此需要使用适合的统计方法来确定差异表达基因。

蛋白组学的差异分析方法则有一些不同的特点。蛋白组学数据通常是通过质谱或免疫测定等技术获得的，可以获得蛋白质在样本中的相对丰度或表达水平。蛋白组学中的差异分析方法包括t检验、ANOVA、线性模型等，也可以使用多重比较校正方法进行统计显著性校正。

虽然转录组、代谢组和蛋白组都关注生物体内不同分子层面的变化，但它们之间有一些重要的区别。转录组研究基因表达水平的差异，代谢组研究代谢物的相对丰度差异，蛋白组研究蛋白质表达水平的差异。由于这些数据具有不同的特点和性质，不能简单地使用相同的差异分析方法。需要根据数据类型和研究目的选择适当的方法来进行差异分析，以确保结果的准确性和可解释性。