企业官网建设流程全解析

MetaboAnalystR 教程：如何在6步内完成代谢组学差异分析与通路富集

【免费下载链接】MetaboAnalystRR package for MetaboAnalyst项目地址: https://gitcode.com/gh_mirrors/me/MetaboAnalystR

它解决什么问题

MetaboAnalystR 是一个做代谢组学数据分析的 R 包（v4.3.0），与 MetaboAnalyst 在线平台同步开发，内置约 50 万个代谢物集合和 150 万条 MS2 谱图。它面向用 LC-MS 或 NMR 做代谢组学、想在本地 R 里跑完「数据清洗 → 差异分析 → 通路解释」全流程的研究者：结果可复现，参数随时改。

安装与第一次运行

📌 Linux 先装系统依赖（libcairo2-dev、libxml2、libssl-dev），Windows 先装 Rtools，再执行一条安装命令：

git clone https://gitcode.com/gh_mirrors/me/MetaboAnalystR cd MetaboAnalystR && R CMD INSTALL .

装好后先跑最小闭环：初始化分析对象 → 读入 CSV → 健全性检查：

library(MetaboAnalystR) mSet <- InitDataObjects("conc", "stat", FALSE) mSet <- Read.TextData(mSet, "your_data.csv", "rowu", "disc") mSet <- SanityCheckData(mSet)

两个参数注意："rowu"表示样本在行、特征在列，第一列是分组标签；数据是转置布局就改成"colu"。运行后控制台会打印样本数、特征数和分组数，核对无误就可以往下走。初始化与读数的具体实现可以看 R/general_data_utils.R。

任务视角拆解：分析时它帮你做什么

预处理：清洗缺失值与标准化

做什么：LC-MS 数据常有零值和低丰度噪声，不处理会干扰后续统计。Normalization支持行归一化、对数转换、标准化三个槽位，用"NULL"跳过不需要的项。

怎么用：

mSet <- ReplaceMin(mSet) mSet <- PreparePrenormData(mSet) mSet <- Normalization(mSet, "NULL", "LogNorm", "MeanCenter", ref=NULL, ratio=FALSE)

ReplaceMin把零值/缺失替换为该特征最小正值的一半，LogNorm做 log10 转换，MeanCenter做均值中心化。

结果长什么样：归一化矩阵存于mSet$dataSet$norm，形状与原始数据一致（官方示例为 77 样本 × 63 代谢物）；用了哪些方法记录在mSet$dataSet$trans.method等字段，写方法学部分可以直接引用。实现在 R/general_norm_utils.R。

差异分析：从 t 检验到火山图

做什么：对两个分组的每个代谢物计算差异倍数（fold change）和统计显著性，输出火山图，一眼看清哪些代谢物「上调/下调且显著」。

怎么用：FC.Anal算差异倍数（阈值 2.0），Ttests.Anal做检验（默认走 limma 的 moderated t，对多变量数据更稳），Volcano.Anal按阈值划显著集，最后出图：

mSet <- FC.Anal(mSet, 2.0, 0) mSet <- Ttests.Anal(mSet, nonpar=FALSE, threshp=0.05, paired=FALSE) mSet <- Volcano.Anal(mSet, FALSE, 2.0) mSet <- PlotVolcano(mSet, "volcano.png", TRUE, "light", format="png", dpi=300)

结果长什么样：一张 300 dpi 的volcano.png，可直接进论文；显著代谢物表在mSet$analSet$volcano$sig.mat，用GetSigTable可导出成表。官方测试用例中 63 个代谢物有 57 个显著，因为示例两组差别确实大。检验代码见 R/stats_univariates.R。

通路富集：从代谢物名单到功能解释

做什么：一长串显著代谢物名字肉眼看不出生物学含义。它把名单映射到内置 KEGG/SMPDB 知识库上，用超几何分布（ORA）或 GSEA 算哪些通路被过度代表。

怎么用：数据已带代谢物名称标注时：

mSet <- PerformIntegPathwayAnalysis(mSet, topo="dc", enrich="hyper") mSet <- PlotEnrichDotPlot(mSet, "ora", "path_dot.png", format="png", dpi=300)

如果只有 LC-MS 峰表（质量 + 保留时间），改用 MS Peaks to Paths（mummichog）模块，直接从峰做通路富集，不需要先拿到名字。

结果长什么样：按 p 值排序的通路列表 + 一张点图（富集比例 vs p 值，前 25 条通路）。注意：这个函数要求先设好物种和 ID 类型，报 "data is not annotated yet" 就是漏了 ID 映射这一步。实现在 R/enrich_integ.R。

端到端小案例：6 步从 CSV 到可发表图

用官方示例 human_cachexia.csv（77 样本、63 代谢物、两组），完整走一遍：

# 1. 初始化：浓度数据 + 统计分析模块 mSet <- InitDataObjects("conc", "stat", FALSE) # 2. 读 CSV：样本在行、特征在列，第一列离散分组 mSet <- Read.TextData(mSet, "human_cachexia.csv", "rowu", "disc") # 3. 健全性检查：样本量够不够、分几组 mSet <- SanityCheckData(mSet) # 4. 零值/缺失替换为该特征最小正值的一半 mSet <- ReplaceMin(mSet) # 5. 归一化：log10 + 均值中心化 mSet <- PreparePrenormData(mSet) mSet <- Normalization(mSet, "NULL", "LogNorm", "MeanCenter", ref=NULL, ratio=FALSE) # 6. 差异倍数 + t 检验 + 火山图 mSet <- FC.Anal(mSet, 2.0, 0) mSet <- Ttests.Anal(mSet, nonpar=FALSE, threshp=0.05, paired=FALSE) mSet <- Volcano.Anal(mSet, FALSE, 2.0) mSet <- PlotVolcano(mSet, "volcano.png", TRUE, "light", format="png", dpi=300)

流程是：读入 → 检查 → 插补 → 归一化 → 差异 → 出图。每步都返回同一个mSet，结果累积在mSet$dataSet和mSet$analSet的不同字段里，不需要来回传临时变量。想核对结果是否与官方一致，可以跑一下 tests/testthat/ 里的 testthat 用例，里面断言了每步的矩阵维度和数值。

常见坑与处理办法

⚠️ 按出现频率排序，每条一行：

• Linux 编译失败 → 先装 libcairo2-dev、libxml2、libssl-dev，再 R CMD INSTALL，代码本身没问题
• Windows 编译失败 → 装 Rtools 即可
• Read.TextData后分组没识别出来 → 检查 format 参数："rowu"是样本在行且首列为标签，转置布局用"colu"
• 归一化后出现全零行 → 顺序反了，先ReplaceMin再Normalization
• 通路分析报 "data is not annotated yet" → 没设物种和 ID 类型，先做 ID 映射；只有峰表就改走 mummichog
• t 检验报找不到 limma → 默认检验方法依赖 limma，BiocManager::install("limma")装上
• 火山图着色与 FC 不一致 →Volcano.Anal的 fcthresh 要和FC.Anal的第一个参数保持同一个值

进阶方向（点到为止）

• 生物标志物：单代谢物 ROC 曲线与特征排序（Perform.UnivROC、CalculateFeatureRanking）
• 分类建模：随机森林、SVM（anal 类型设为 biomarker，实现在 R/stats_classification.R）
• 原始谱图处理：4.0 新增的 LC-MS1 峰检测、MS2 谱反卷积与化合物注释（支持 DDA 和 DIA）
• 时间序列与多因素设计：时间序列分析、双因素 ANOVA、ASCA
• 统计功效分析：实验前估算样本量（Power 模块）

引用信息在 R 里跑citation("MetaboAnalystR")就能拿到。

下一步建议：把你手头一份 CSV 按上面 6 步完整跑一遍——哪怕只是复现火山图，也比看十页文档更能摸清mSet里每个字段是什么。

【免费下载链接】MetaboAnalystRR package for MetaboAnalyst项目地址: https://gitcode.com/gh_mirrors/me/MetaboAnalystR