c语言邻接表的构建_局部相似性分析（LSA）计算变量间关系的时滞效应及关联网络构建...

局部相似性分析(LSA)计算变量间关系的时滞效应及关联网络构建 在组学研究领域，关联网络分析是用于探索变量间(如物种、基因、蛋白、代谢物等)相互关系的常见推断方法。 建立在大量观测样本之上，计算变量间的关联程度，以网络的形式可描述出环境中物种交互，机体中基因共表达或蛋白调控等复杂的潜在相互作用。 对于关联网络的推断，目前已有很多方法可供选择，简单的如相关系数网络 ，考虑相关系数加权值的WGCNA ，综合多种相关性和距离算法的CoNet ，基于随机矩阵理论(RMT)的MENA ，还有可用于描述变量间非线性关系的 最大信息系数( MIC ) 等，这些在前文的教程中都有提到。 本篇再简介一种特殊的算法，局部相似性分析( local similarity analysis ， LSA )。与上述的几种方法相比， LSA 可独特地捕获变量之间时间相关的关联，即考虑了可能存在的时滞效应。

LSA工作原理

何为“时滞”？例如在微生物关联网络的推断中，如果涉及了时间序列，就通常会面临这样的问题：环境的改变对物种的影响需要经历一个阶段，一个物种丰度对另一个物种丰度变化的响应也需要一定的时间。机体中的基因或蛋白表达水平同样如此，一个基因或蛋白的表达水平显著改变后，对下游基因表达的影响也会存在一个滞后效应。

该图即简单描述了两个变量间的时滞关系，黑色数值对红色数值变化的响应存在一个时间差。对于大多数计算关联度的方法而言，只能基于固定的各个时间点中的数值关系推断，如果特定时间点下某一变量改变后，而相关变量对其的响应由于存在滞后而处于下一个时间点中，则很难识别出来。此时，存在时滞关系的时间序列数据的成对比较就成了一个难题，限制了对关联度识别。

LSA被提出用于处理这种滞后效应带来的问题(Ruan et al, 2006)。重要的LSA关联可以解释为一个局部定向的关联网络，用于进一步的基于网络的分析。

下图简单概括了LSA的工作流程。

原始数据(时间序列矩阵)作为输入，LSA对其进行标准化处理后，计算局部相似度(LS)分数和Pearson的相关系数，并使用置换检验评估统计量的显著性(p值)。保留重要的变量关系对，最终