MetaboAnalyst

博主： int0030
发布时间：2024 年 02 月 02 日
383 次浏览
暂无评论
6301字数
分类： wiki

# MetaboAnalystR

## R环境配置

* **软件准备**
  * **R，**[官网](https://cran.r-project.org/)，[官网下载，v3.6.3](https://cran.r-project.org/bin/windows/base/old/3.6.3/R-3.6.3-win.exe)，[清华镜像](https://mirrors.tuna.tsinghua.edu.cn/CRAN/)，[清华下载,v3.6.3](https://mirrors.tuna.tsinghua.edu.cn/CRAN/bin/windows/base/old/3.6.3/R-3.6.3-win.exe)
  * **RTool，**[官网下载，v35](https://cran.r-project.org/bin/windows/Rtools/Rtools35.exe)，[清华下载，v35](https://mirrors.tuna.tsinghua.edu.cn/CRAN/bin/windows/Rtools/Rtools35.exe)
    > **R base with version > 3.6.1 is recommended. The compatibility of latest version (v4.0.0) is under evaluation.**
    >
  * **VS Code，**[官网](https://code.visualstudio.com/)，[下载](https://code.visualstudio.com/sha/download?build=stable&os=win32-x64)
    * **插件**
      * **Chinese，中文支持插件**
      * **R，R language support (run, snippet, viewer)**
      * **R LSP Client，**[R Language Server](https://github.com/REditorSupport/languageserver)
  * **Python**
    * **radian，**`pip isntall radian`
  * **Pandoc**

## MetaboAnalystR包的安装

* 安装R v3.6.3。
* 安装RTool v35。
* 安装Python，安装完毕后，按`win + s`搜索`cmd`，输入`pip install radian`安装`radian`。输入`where radian`获取`radian`的目录。
* 安装VS Code，安装完毕后，搜索插件`Chinese (Simplified) Language Pack for Visual Studio`、`R`、`R LSP Client`并安装。
* 安装MetaboAnalystR包
  1. 打开MetaboAnalystR的[Github](https://github.com/xia-lab/MetaboAnalystR)，根据作者的步骤进行
  2. 打开R GUI，输入

```
     metanr_packages <- function(){
        
       metr_pkgs <- c("impute", "pcaMethods", "globaltest", "GlobalAncova", "Rgraphviz", "preprocessCore", "genefilter", "SSPA", "sva", "limma", "KEGGgraph", "siggenes","BiocParallel", "MSnbase", "multtest","RBGL","edgeR","fgsea","devtools","crmn","httr","qs")
       
       list_installed <- installed.packages()
       
       new_pkgs <- subset(metr_pkgs, !(metr_pkgs %in% list_installed[, "Package"]))
       
       if(length(new_pkgs)!=0){
         
         if (!requireNamespace("BiocManager", quietly = TRUE))
             install.packages("BiocManager")
         BiocManager::install(new_pkgs)
         print(c(new_pkgs, " packages added..."))
       }
       
       if((length(new_pkgs)<1)){
         print("No new packages added...")
       }
     }
     ```
  3. 输入

```
     metanr_packages()
     ```

开始安装R包依赖
  4. ```
     # Step 1: Install devtools
     install.packages("devtools")
     library(devtools)

# Step 2: Install MetaboAnalystR with documentation
     devtools::install_github("xia-lab/MetaboAnalystR", build = TRUE, build_vignettes = TRUE, build_manual =T)

# Step 2: Install MetaboAnalystR without documentation
     devtools::install_github("xia-lab/MetaboAnalystR", build = TRUE, build_vignettes = FALSE)
     ```

此处选择带文档安装。
  5. 根据错误信息安装指定的包

```
      Error in loadNamespace(i, c(lib.loc, .libPaths()), versionCheck = vI[[i]]) : 
          there is no package called 'glasso'
        Calls: <Anonymous> ... loadNamespace -> withRestarts -> withOneRestart -> doWithOneRestart
        停止执行

#####################

there is no package called 'plotly'
     E> Calls: <Anonymous> ... loadNamespace -> withRestarts -> withOneRestart -> doWithOneRestart
     E> 停止执行
     E> ERROR: lazy loading failed for package 'MetaboAnalystR'
     E> * removing 'C:/Users/luoji/AppData/Local/Temp/RtmpWSOXP7/Rinst48205ab43236/MetaboAnalystR'
     E>       -----------------------------------
     E> ERROR: package installation failed

```
  6. 安装完毕

## VS Code环境的配置

> 准备
>
> 插件：
>
> * Chinese，中文支持插件
> * R，R language support (run, snippet, viewer)
> * R LSP Client，[R Language Server](https://github.com/REditorSupport/languageserver)
> * Radian，新型R终端，`pip install radian`

1. **进入VS Code设置项**
2. `R › Rpath: Windows`：`R.exe`的位置
   > Path to an R executable for Windows. Must be "vanilla" R, not radian etc.!
   >
3. `R>Rterm:Windows`：`Radian`的路径，通常为`C:\Users\luoji\AppData\Local\Programs\Python\Python39\Scripts\radian.exe`
   > R path for Windows. Can also be radian etc.
   >
4. `R: Bracketed Paste`：勾选，如果不勾选，`Radian`则无法使用
5. `R › Rterm: Option`：删除`--no-save`、`--no-restore`，添加`--no-site-file`
6. `terminal.integrated.profiles.windows`：点击在`setting.json`中编辑，添加
   ```
   "Radian": {
               "path": "C:\\Users\\luoji\\AppData\\Local\\Programs\\Python\\Python39\\Scripts\\radian.exe"
           }
   ```

## MetaboAnalystR包的使用

## MetaboAnalystR包的文档

* `vignette(package="MetaboAnalystR")`：在R中显示帮助文档
* `browseVignettes("MetaboAnalystR")`：在浏览器中显示帮助文档

### 概述

#### 包的加载

```
# Load MetaboAnalystR
library(MetaboAnalystR)
```

#### 使用MetaboAnalystR包的建议

1. 每个模块中，所使用的首个函数是`InitDataObjects`，用以创建一个可储存用户数据以进行进一步处理和分析的mSetObj对象。为使用`InitDataObjects`，需指定数据类型和将进行的分析类型。建议将`mSet`设置为mSetObj的名称，也可自定义，只需每个步骤的名称相同即可。
2. MetaboAnalystR的输出目录默认为当前工作目录，输出图、表、分析等。
3. 命令按语句顺序运行。

### 数据格式

#### `.csv`或`.txt`

**用于浓度、峰值强度、MS/NMR spectral bins，样品可位于行或列中。**

1. 样品名唯一，不支持拉丁文、希腊字母等。
2. Class labels必须follow样品名；对于双因素和时间系列的数据，必须有两个类标签对应这两个因素。
3. 对于time-series数据，time-point组必须命名为Time。此外，在不同时间点从同一受试者收集的样本应是连续的（请参阅"双因素/时间系列"的屏幕截图演示）
4. 数据仅为正数字，使用空值或NA表示缺失数据

#### `.zip`

* NMR/MS peak list文件和GC/LC-MS谱数据
  * 上传压缩文件
  * 压缩文件中包含study中的不同组的数据
    > **每个谱图一个文件，每组一个子文件夹**
    >
    > **Paired comparison，需上传指定配对信息的单独文本文件**
    >
  * GC/LC-MS谱图必须采用NetCDF，mzXML或mzDATA的格式。谱图应根据他们的Class labels
    > **不兼容WinZip v12.0，名称中不允许使用空格，文件大小限制为50M**
    >
  * Peak list 数据是Peak list文件按Class labels命名存放于单独文件夹中，压缩为zip。
    > **如果数据包括3个组，则peak list文件应该包括三个文件夹**
    >
  * NMR Peak list文件应该包括两个逗号分割的列，第一列保存ppm，第二列保存Peak intensities
    > ppm：peak position
    >
    > Peak intensities：
    >
  * **MS Peak list文件：**
    * 两列：mass 和 intensities
    * 三列：mass、retention time和intensities
      > 两者不能共存
      >
      > 每个峰值列表的第一行都预留给列标签，文件格式为`.csv`
      >

### 示例数据

### Statistical Analysis Module

#### ANOVA

[假设检验—方差分析之多重比较（LSD法、Sidak法、Bonferroni法、Dunnett法、Tukey法、SNK 法、Duncan法）](https://blog.csdn.net/huangguohui_123/article/details/103966000)

[如何理解与计算FDR？](https://zhuanlan.zhihu.com/p/64925777)

LSD：LSD法计算最小显著差异，当两组均数差大于LSD时，差异达到显著的水平。LSD法的灵敏度最高，但会因为对比的频数增加使得第一类错误（**H\_0**为真时拒绝**H\_0**）的概率增加。

#### Tukey

计算HSD统计量，如果两组均数的差异大于该极差，认为差异显著，拒绝**H\_0**，认为两组均数不同。

Tukey法较保守，较不易发现显著差异，要求比较的样本容量相差不大，通常用于样本容量相同的组之间均数的比较。

### SAM

样本量较小（3\~8）时，方差估计不稳定，建议使用SAM，当样本量>10时，方差估计稳定，可使用t-test或ANOVA。

SAM 识别的重要化合物与ANOVA 识别的化合物几乎相同。

### PatternHunter

#### distance measure

计算变量之间的线性距离

#### Pearson r

对异常值、不等方差和非正态敏感

#### Spearman Rank correlation

关注变化方向而不是变化幅度

#### PLS-DA，偏最小二乘判别分析

得分图和载荷图同PCA，但其在分析时提前赋予每个样本的分组信息，以扩大组间差异，减少组内差异，多用来寻找标记物。

为了评估两组之间的实际差异，可进行PLS-DA和OPLS-DA分析，通过交叉验证，得出模型的参数：

* R2代表模型解释的方差，Q2代表模型的预测能力

[【机器学习】Cross-Validation（交叉验证）详解](https://zhuanlan.zhihu.com/p/24825503)

[机器学习的评价指标（二）-SSE、MSE、RMSE、MAE、R-Squared](https://blog.csdn.net/faithmy509/article/details/81217417)

[模型评估和超参数调整（二）——交叉验证 （cross validation）](https://blog.csdn.net/Amy_mm/article/details/79902414)

[An Introduction to Statistical Learning (statlearning.com)](https://www.statlearning.com/)

**交叉验证：**

LOOCV，将数据集分为训练集和测试集，但只用一个数据作为测试集，其它都作为训练集（数据数量为N），并将此重复N次。即每次取出一个数据作为测试集的唯一元素，而其他n-1个数据都作为训练集用于训练模型和调参。结果就是我们最终训练了n个模型，每次都能得到一个MSE。而计算最终test MSE则就是将这n个MSE取平均。（MSE，均方误差，真实值与预测值之差，平方后求和取平均，类似线性回归的L2损失函数，即值越小越好）

![img](https://img.int0030.xyz/images/2022/02/28/v2-27f8c5989dd7790ccf6b626e6854e06c_720w2ed62a790c73b70f.png)

LOOCV的优点，不受测试集合训练集划分方法的影响，因为每一个数据都单独的做过测试集。同时，其用了n-1个数据训练模型，也几乎用到了所有的数据，保证了模型的bias更小。不过LOOCV的缺点也很明显，那就是计算量过于大，是test set approach耗时的n-1倍。

K-fold Cross Validation：

另外一种折中的办法叫做K折交叉验证，和LOOCV的不同在于，我们每次的测试集将不再只包含一个数据，而是多个，具体数目将根据K的选取决定。比如，如果K=5，那么我们利用五折交叉验证的步骤就是：

1.将所有数据集分成5份

2.不重复地每次取其中一份做测试集，用其他四份做训练集训练模型，之后计算该模型在测试集上的MSE，

3.将5次的MSE取平均得到最后的MSE

#### OPLS-DA，正交偏最小二乘判别分析

在OPLS-DA分析中，寻找标记物通常使用S-plot。如图中所示，得分图中，两组样本分布在y轴两侧，通过S-plot可以获得标记物在两组中相对含量的变化。也就是说，处在S-plot右上角的化合物(距离原点越远，对分类贡献越大)在处在得分图y轴右侧的样本中含量较高，反之亦然。

最后修改：2024 年 02 月 02 日

如果觉得我的文章对你有用，请随意赞赏

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

评论 *

私密评论

名称 *

🎲

邮箱 *

地址

推流测试
浏览次数: 1414
第3章糖类
浏览次数: 1158
第九章色素和着色剂
浏览次数: 910
第二章水分
浏览次数: 763
实验室安全管理
浏览次数: 737

丑石
浏览次数: 217
第3章糖类
浏览次数: 1158
实验室安全管理
浏览次数: 737
术语
浏览次数: 307
探究肠道微生物组机制的代谢组学工作流
浏览次数: 415

MetaboAnalyst

int0030 • 2024 年 02 月 02 日

# MetaboAnalystR

## R环境配置

## MetaboAnalystR包的安装

```
     metanr_packages()
     ```

开始安装R包依赖
  4. ```
     # Step 1: Install devtools
     install.packages("devtools")
     library(devtools)

# Step 2: Install MetaboAnalystR with documentation
     devtools::install_github("xia-lab/MetaboAnalystR", build = TRUE, build_vignettes = TRUE, build_manual =T)

# Step 2: Install MetaboAnalystR without documentation
     devtools::install_github("xia-lab/MetaboAnalystR", build = TRUE, build_vignettes = FALSE)
     ```

此处选择带文档安装。
  5. 根据错误信息安装指定的包

#####################

```
  6. 安装完毕

## VS Code环境的配置

## MetaboAnalystR包的使用

## MetaboAnalystR包的文档

* `vignette(package="MetaboAnalystR")`：在R中显示帮助文档
* `browseVignettes("MetaboAnalystR")`：在浏览器中显示帮助文档

### 概述

#### 包的加载

```
# Load MetaboAnalystR
library(MetaboAnalystR)
```

#### 使用MetaboAnalystR包的建议

### 数据格式

#### `.csv`或`.txt`

**用于浓度、峰值强度、MS/NMR spectral bins，样品可位于行或列中。**

#### `.zip`

### 示例数据

### Statistical Analysis Module

#### ANOVA

[假设检验—方差分析之多重比较（LSD法、Sidak法、Bonferroni法、Dunnett法、Tukey法、SNK 法、Duncan法）](https://blog.csdn.net/huangguohui_123/article/details/103966000)

[如何理解与计算FDR？](https://zhuanlan.zhihu.com/p/64925777)

#### Tukey

计算HSD统计量，如果两组均数的差异大于该极差，认为差异显著，拒绝**H\_0**，认为两组均数不同。

Tukey法较保守，较不易发现显著差异，要求比较的样本容量相差不大，通常用于样本容量相同的组之间均数的比较。

### SAM

样本量较小（3\~8）时，方差估计不稳定，建议使用SAM，当样本量>10时，方差估计稳定，可使用t-test或ANOVA。

SAM 识别的重要化合物与ANOVA 识别的化合物几乎相同。

### PatternHunter

#### distance measure

计算变量之间的线性距离

#### Pearson r

对异常值、不等方差和非正态敏感

#### Spearman Rank correlation

关注变化方向而不是变化幅度

#### PLS-DA，偏最小二乘判别分析

得分图和载荷图同PCA，但其在分析时提前赋予每个样本的分组信息，以扩大组间差异，减少组内差异，多用来寻找标记物。

为了评估两组之间的实际差异，可进行PLS-DA和OPLS-DA分析，通过交叉验证，得出模型的参数：

* R2代表模型解释的方差，Q2代表模型的预测能力

[【机器学习】Cross-Validation（交叉验证）详解](https://zhuanlan.zhihu.com/p/24825503)

[机器学习的评价指标（二）-SSE、MSE、RMSE、MAE、R-Squared](https://blog.csdn.net/faithmy509/article/details/81217417)

[模型评估和超参数调整（二）——交叉验证 （cross validation）](https://blog.csdn.net/Amy_mm/article/details/79902414)

[An Introduction to Statistical Learning (statlearning.com)](https://www.statlearning.com/)

**交叉验证：**

![img](https://img.int0030.xyz/images/2022/02/28/v2-27f8c5989dd7790ccf6b626e6854e06c_720w2ed62a790c73b70f.png)

K-fold Cross Validation：

1.将所有数据集分成5份

2.不重复地每次取其中一份做测试集，用其他四份做训练集训练模型，之后计算该模型在测试集上的MSE，

3.将5次的MSE取平均得到最后的MSE

#### OPLS-DA，正交偏最小二乘判别分析

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

MetaboAnalyst

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款