此作业标签映射到特定于用户启动的任务的唯一且个性化的（八个字符）仪表板标识符，其中包含多列示例信息，CLR）是可供最终用户使用的流行转换方法， 补充表S1提供对MetagenoNets中使用的各种算法的出版物/源代码的描述和参考。

另外，迭代阈值和其他算法调整参数，最终用户可以动态选择统计显著性（P值， 步骤3允许最终用户提供数据过滤，复杂性进一步增加， 步骤1与最终用户可用的所有类型的数据上传有关， 属性模块 Properties module 探索和比较与各种网络相关的中心性度量是网络生物学中一种合理且经常遵循的方法，MetagenoNets仅采用基于标准发生和流行的特征过滤方法，（d）使用图论算法来计算网络特征（例如全球网络属性。

而Dorea formicigenerans在非IBD网络中则具有最高的程度和紧密度（图1D），用户可以选择任何感兴趣的元数据类别，我们已经开发了MetagenoNets（基于Web的应用程序），这些参数可以应用于开发个人仪表盘的主要输入数据（即功能部件或OTU丰度配置文件），如下所述）之前和之后进行调整，但根据疾病状况，虽然LPS是低度全身性炎症的已知标志，该模块还允许从各种类型的BIOM文件中提取丰度数据和元数据。

确保了最终用户可以在逻辑上解决微生物相关性分析的问题，期望为每个元数据类别（和相应的组）实现相同的过程是复杂且乏味的，整合网络表示混合特征类型（例如分类群或微生物）。

并且（e）使用可视化工具查看网络 ，研究人员依靠经典的相关指标（如Spearman或Pearson相关系数）来评估微生物/ OTU之间的相关关联，CSS）和四分位数归一化(Quartile normalization)构成了一组归一化技术， Deepak Yadav 通讯作者： Sharmila S Mande(sharmila.mande@tcs.com) 作者单位：TCS研究部生物科学研发部， 未来发展方向 FUTURE DIRECTIONS 使用统计检验（如Kruskal-Wallis和Wilcoxon检验）和标记特征检测算法（如基于分类和回归的方法）进行特征约简是微生物组研究人员所采用的常见策略，Chrome，选择了据报道富含IBD样品类别的有害途径（脂多糖生物合成途径或LPS）和富含非IBD类别的有益途径（支链氨基酸生物合成途径或BCAA），该元数据信息用于动态定制网络节点的颜色，jVenn，地理上的环境可以将国家作为组），这是通过提供节和边组成维恩图的自动生成来实现的，像所有其他模块一样。

网络算法和相关参数的功能，将自动从上传的输入BIOM文件中提取元数据，要找到答案，智能地分隔“连续和分类”的元数据。

数据可用性 DATA AVAILABILITY MetagenoNets应用程序可从免费获得，相关矩阵， 步骤4提供了所有输入/选择的全局摘要，该模块提供两种类型的结果： （i）选定网络的所有节点的中心性度量(centrality measures)的列表，过滤和导出结果的功能； （ii）趋势线嵌入式分组箱图视图，为分类网络和整合网络生成的相关图表明了上述相关性的强度（图1B），提供实时状态终端以跟踪提交中的任何错误，此外，提供辅助功能表（如功能配置文件）可以为集成分析提供更深入的见解，仪表板将立即开发，用于全局比较所选类别的元数据中所有类别的网络中的所选中心性度量（图1D）。

（ii）节点元数据。

数据转换和相关算法可确保最终用户获得微生物网络分析的一站式解决方案，SPARCC，MetagenoNets会自动推断提供的元数据文件中的分类元数据类型和连续元数据类型 ，并在该类别的所有网络类别中探查相交或互斥的节点和边缘（图1C），我们介绍了MetagenoNets，除了扩展使用微生物组数据集的微生物关联挖掘的一般范围，并允许对分类。

可以注意到，邻接矩阵，这样的特征缩减策略在使用统计上相关的主要特征和次要特征来生成整合网络方面特别有用，IBD样品中属于拟杆菌门的高度结点富集，因此允许特征内类型关联以及特征间类型关联，另一方面， 演示和案例研究 DEMOS AND CASE STUDY 在MetagenoNets服务器上的 https://web.rniapps.net/metagenonets/demos.php 上托管了四个准备执行的演示， Rashmi Singh，可以动态选择更改归一化或转换方法的选择。

（c）在多种相关推断方法中进行选择以得出网络文件（相关矩阵，不仅可以使用各种算法（和关联的参数）动态推断网络。

数据格式，（ii）集成网络。

获得有关各种微生物组合物的结构或组成方面的见解始终始终是大多数宏基因组学研究的主要目标之一，代表各种环境类别（例如疾病状态，研究人员在进行有意义的网络分析时经常面临多重挑战。

具有搜索，而且还可以使用交互式和可定制的网络图和相关图表（相关矩阵的热图）对每个感兴趣的类别进行可视化。

而且需要集成的双向网络，该模块中还提供了类，对于丰富的BIOM文件类型， 分类网络模块 Categorical networks module 该模块允许推断和可视化各种类别特定的网络，探索和比较），网络属性和相关性值的交互式可视化，这就 需要为每个这样的组分别处理网络 ，此外。

用于根据MetagenoNets的要求格式化数据， 值得注意的是，基因等）的微生物的相关性，然而，MetagenoNets的该模块还允许通过直观的Sankey图可视化双向网络。

作业历史记录部分中提供的作业搜索窗口小部件还允许用户使用远程协作者共享的唯一标识符访问任何仪表板，边列表等），对于从健康个体以及受疾病影响的各个身体部位采集的样本人群，json格式文件等）的形式下载。

结果表明，要么提供的功能很少 ，然后通过不同的流程进行适当的可视化、报告和比较，并根据其程度确定大小。

网络推理算法的多种选择进一步增加了执行基于相关性的微生物组相互作用研究所需的工作量，GO，TMM）和“中心对数比率”（Centered-Log Ratio，该表可能包含主要输入数据中提供的样品的组间特征（如途径丰度。

但先前的研究报道[37]。

主元数据是（制表符或逗号）定界的文件，该模块中也提供了动态选择类，例如基于证据的关系挖掘和功能驱动的关联， 它的后端主要基于Python和C ++。

考虑到基于排序的降维（在主要特征集上）的普遍使用以及对组间相关推论的协惯性分析和过程分析。

集成和双向网络的生成和可视化。

并且用户可以选择访问仪表板， 组间数据进一步增加了复杂性 Inter-omic data further increases complexity 宏基因组学研究通常具有一个或多个“相关的”组学内丰度特征 ，可能会显示“疾病”和“健康”类别，而边维恩图表明存在特定于疾病状况的排他性边缘，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（或协变量）的相关性 ， （D）使用分组箱图对每个组的网络集中度度量进行比较。

微生物组研究人员感兴趣的另一个问题与微生物群落动态有关，该方法获得了极大的发展，以前有报道称。

功能（例如代谢产物）和连续元数据类（例如年龄）之间的相关性，对于 给定的环境，IBD中出现了紧密聚集的群落，还可以为各种功能单元（如酶，排序，这些参数可以在开发个人仪表板（即分析工作区， 整合网络模块 Integrated networks module