二 项目流程

转录组与代谢组联合分析云流程包含了以下数据分析方法。

结合近期相关的研究，在本云流程中我们从以下三个方面实现了转录组和代谢组的关联分析。

1, 基于相关性的关联分析。在该部分我们实现了转录组和代谢组的相关性热图，九象限图和相关性网络图。

2, 基于KEGG（Kyoto Encyclopedia of Genes and Genomes）通路和KEGG注释的富集分析(M. Kanehisa and Goto 2000)。在该部分我们实现了基于KEGG ORA和KEGG GSEA的富集分析，基于组合概率检验的共富集分析和KEGG上色通路图。

3, 基于多元统计学和统计模型的关联分析。在该部分我们实现了典型相关分析（Canonical Correlation Analysis，CCA）， 偏最小二乘分析（Partial Least Squares Analysis， PLS），PLS-DA分析（Partial Least Square-Discriminant Analysis）和双向偏最小二乘分析（Two-way Orthogonal Partial Least Squares Analysis，O2PLS）。

三 方法简述

在该部分我们将为您简述本云流程所涉及到的方法。

3.1 基于相关性的关联分析

3.1.1 相关性网络图

对两个具有网状相关关系的组学数据集进行建模的一个简单的方式是使用相关性网络图（Relevance Networks）(Butte et al. 2000)。 在相关性热图中，节点代表变量（基因或代谢物），而边代表变量之间的联系。 由于绘制同种组学（基因-基因之间或代谢物-代谢物之间）相关性网络图的工具众多，在本云流程中我们只关注基因与代谢物之间的相关性， 在图中来自转录组的节点（基因）只能与来自代谢组的节点（代谢物）连接。

相关性网络图具有以下优势：1，可以同时表示正相关和负相关关系。2，能够同时反应不同通路之间基因与代谢物的关系。(González et al. 2012)

3.1.2 聚类热图

聚类热图能够表示单个组学数据集的表达量情况或表示两个组学数据集的相关性。在本云流程中我们用热图表示基因与代谢物之间的相关性。 基因和代谢物会依据层次聚类的结果分别在行和列上进行重排，因此具有相似相关性的基因与代谢物组合会在图上聚在一起。

3.2 基于KEGG数据库的关联分析方法

KEGG （Kyoto Encyclopedia of Genes and Genomes）数据库是一个整合了基因组信息与高等级功能信息的数据库(M. Kanehisa and Goto 2000)， 是基因和基因组的百科全书，其被广泛运用于各种组学的研究中。 本部分分析能够将您的组学数据与KEGG数据库结合，结果有助于更加深刻的揭示转录组和代谢组不同水平的变化。

3.2.1 KEGG数据库简介

与基于单个基因/分子的方法相比，通路分析更灵敏、更一致、信息更丰富(Luo and Brouwer 2013)。KEGG数据库包含15个依据前人发表的文献手动整理的部分(Minoru Kanehisa et al.2017)。如下表所示：

分类	数据库名称	内容	KEGG标识符
系统信息	KEGG PATHWAY	代谢通路图	Map
系统信息	KEGG BRITER	BRITE 层次结构和表	br/.ko
系统信息	KEGG MODULE	模块	M
基因组信息	KEGG ORTHOLOGY(KO)	直系同源基因	K
基因组信息	KEGG GEONME	物种基因组（包括一部分病毒基因组）	org code/T number
基因组信息	KEGG GENES	KEGG生物、病毒和附录类别的基因目录	org:gene
基因组信息	KEGG SSDB	条目之间的序列相似性
化合物信息	KEGG COMPOUND	代谢物或其他小分子	C number
化合物信息	KEGG GLYCAN	多糖	G number
化合物信息	KEGG REACTION	生化反应	R number
化合物信息	KEGG RCLASS	反应类	RC number
化合物信息	KEGG ENZYME	酶的命名	EC number
健康信息	KEGG DISEASE	疾病	H number
健康信息	KEGG DRUG	药物	D number
健康信息	KEGG DGROUP	药物分类	DG number
健康信息	KEGG ENVIRON	天然药物和健康相关物质	E number

表3.1 KEGG的不同数据库类型

资料来源：Kanehisa, M., Furumichi, M., Tanabe, M., Sato, Y., & Morishima, K. (2017). KEGG: New perspectives on genomes, pathways, diseases and drugs. Nucleic Acids Research, 45(Database issue), D353–D361. https://doi.org/10.1093/nar/gkw1092

这里我们为您重点介绍与转录组和代谢组关联分析相关的以下三个数据库：KEGG ORTHOLOGY，KEGG COMPOUND和KEGG PATHWAY。

1, 直系同源（Orthology）是指来源于被比较物种的最后一个共同祖先（last common ancestor， LCA）中同一个祖先基因的基因，随着物种形成事件（Speciation Events）的发生，祖先基因呗不同的物种分别继承。由于具有同源性，直系同源基因在功能上往往是一致的（但并不绝对）(Koonin 2005)。KEGG ORTHOLOGY数据库（KO）存放着KEGG整理的具有直系同源关系的基因（或编码蛋白质）信息，以及它们所对应的功能。KO数据库中，直系同源基因以K开头后更5个数字。

2, KEGG COMPOUND数据库主要存储着小分子、生物聚合物和其他与生物系统相关的化学物质（相对分子质量通常在1000以下）。在该数据库中的代谢物以C开头并后更5位数字，例如C00031为葡萄糖。

3, KEGG PATHWAY是KEGG数据库中最主要的部分，它储存着手动绘制的参考通路图。这些参考通路图由不同的物种特异性通路图依据基因间的直通同源关系计算生成，其中矩形代表直系同源基因而圆形代表代谢物。 每个通路的总图为map开头+五位数字编号（例如Map00020为TCA循环的总图），而物种代码+五位数字编号组成物种特异的通路图（例如hsa00020为人类的TCA循环通路。其中人类特有的直系同源基因用绿色表示）。 需要注意以下两组特殊的通路：Map01100（全局通路图）和Map01200(总览图)，这两个通路分别代表代谢物的总体特征和主要特征，故不包含直系同源基因（矩形）。

3.2.2 富集分析和共富集分析

高通量测序技术的发展使得转录组、代谢组及其他各种组学均能产生大量数据，然而仅依靠不同样本间的表达量信息难以挖掘出潜在的生物洞见。其中一种解决方法是将大量差异基因或蛋白质按照功能进行分组，对不同的分组进行分析，从而降低分析的复杂性(Khatri et al., 2012)。在分组时可以使用先验的信息，例如GO，KEGG等数据库。这种类分析方法统称为富集分析。多种方法可以实现富集分析。这里我们为您介绍最常见的两种实现富集分析的方法：

过代表分析（Over-Representation Analysis, ORA）使用四格表法(Goeman & Bühlmann, 2007)并大致遵循以下策略：1，需要用特定阈值或者条件筛选出差异表达基因（或代谢物）；2，统计每个通路中差异表达基因的数目；3，依次检测每个通路中差异基因占全部基因的比例是否显著高于全部差异基因占背景基因综述的比例，如果某条通路差异基因的比例显著高于背景基因集，那我们推断该通路发生了差异表达。实现这个过程可以使用超几何分布检验、卡方检验或二项分布检验等统计方法。

然而，该方法至少存在以下局限：1，该方法只能平等的对待每个发生差异表达的基因（或代谢物），而无法考虑表达量变化情况。2，该方法无法考虑没有被筛选出发生差异表达的基因（或代谢物），使用这种方法，会遗漏稍微不那么重要的基因/代谢物（例如，Fold change = 1.999 或 p value = 0.051的基因/代谢物），从而导致信息丢失。为了克服这些不足，功能类评分(Functional Class Scoring，FCS )方法被用于富集分析。该方法统计每个基因的表达量变化情况，然后将每个通路上的所有基因表达量变化情况整合成一个统计量并对这个统计量进行假设检验。基因集富集分析（Gene Set Enrichment Analysis，GSEA）是一个被广泛使用的FCS富集方法(Subramanian et al., 2005)。

R语言中的clusterProfiler包提供了丰富的富集分析功能(Wu et al., 2021)，本云流程使用clusterProfiler进行KEGG ORA和KEGG GSEA富集分析。

单组学富集分析只会测量特定类型的生物分子，而往往不会检测到其整体，因此整合单个组学的富集分析结果能可靠地揭示生物过程的重要部分。本云流程中整个转录组和代谢组富集分析结果参照了multiGSEA软件包(Canzler & Hackermüller, 2020) 中整合富集分析结果的统计方法，包括Fisher组合概率检验（Fisher’s combined probability test），Stouffer’s method和Edgington’s method等并使用poolR(Cinar & Viechtbauer, 2022)包重写了相关代码，使其可以避免multiGSEA软件包的物种限制，同时使整合方法可以运用于KEGG ORA富集分析。这里我们对其中最常见的Fisher组合概率检验进行一个简短的描述。

对于每一个通路转录组和代谢组的富集结果p Value，我们构建如下统计量： $$\chi_F^2 = -2 \sum_{i=n}^k \ln(p_i)$$ 其中，k为独立检验的个数，在本云流程为2（转录组和代谢组）；p分别代表该通路每个组学的p value。该统计量服从自由度为\(2^k\)的\(\chi^2\)分布。因此使用卡方检验便可以计算整合p value。

3.3 基于多元统计学的转录组和代谢组联合分析

基于多元统计（降维、潜变量）的方法提供了更好的对转录组和代谢组数据进行探索性分析，能够突出显示两组学之间的全局相关性，以及找出单个组学数据中的异常值或批次效应，还有助于处理和基因/代谢物的下游分析(Meng et al., 2016)。这里我们对本流程中的涉及的多元统计分析方法（包括CCA, PLS, PLS-DA, O2PLS）进行一个简短的描述。

3.3.1 降维，成分和载荷

为了使表达一致，我们首先对不同文献中的公式符号记法做了统一。在本节出现的公式中我们约定，大写加粗的字母（例如\(\boldsymbol{X}\)）表示矩阵，小写加粗的字母（例如\(\boldsymbol{f}\)）表示向量，而小写不加粗的字母（例如\(n,p\)）表示标量。

许多数学对象可以通过将它们分解成多个组成部分或者找到它们的一些属性来更好的理解。这些属性是通用的，而不是由我们选择表示它们的方式所产生的。

给定一个组学数据集 \(\boldsymbol{X}\)，它是一个\(n \times p\)矩阵，由\(n\)个观测值（也就样本数）和\(p\)个变量（也就是基因或代谢物的数量）组成，它可以用以下形式表示： $$\boldsymbol{X} = (\boldsymbol{x}_1,\boldsymbol{x}_2,\cdots,\boldsymbol{x}_p)$$ 注意，该式中每个\(\boldsymbol{x}\)都是一个\(n\)维向量，包含了\(n\)个样本的测量值（基因表达量或代谢物丰度）。大多数情况下，组学研究的变量数远大于样本数量\(p>>n\)，也就是基因/代谢物的数量远大于样本数。我们需要找到一组新的变量，这些新的变量由原始数据的线性组合组成并且能够捕获原始数据中的绝大部分方差。通常，这些变量被称为隐变量（Latent Variable）或被称成分（Component）。其中一个隐变量\(\boldsymbol{f}\)可以由以下公式表示： $$\boldsymbol{f}=q_1 \boldsymbol{x}_1+q_2 \boldsymbol{x}_2+\cdots+q_p \boldsymbol{x}_p$$ 此处，\(\boldsymbol{f}\)是\(n\)维向量。该式也可以转化为矩阵向量乘法的形式： $$\boldsymbol{f} = \boldsymbol{X}\boldsymbol{q}$$ 该式中系数向量\(\boldsymbol{q} = (q_1,q_2,\cdots,q_p)^T\)控制原始组学数据集的每个变量的缩放，被称作载荷（loading）。隐变量的数量远远小于\(p\)。通过将原始组学数据矩阵分解的形式，我们用少量的隐变量描述了组学数据。

3.3.2 典型相关分析简述

对一组数据降维的方法可以拓展到多组数据。包括协惯量分析（Co-Inertia Analysis， CIA），偏最小二乘分析（Partial Least Squares, PLS），典型对应分析（Canonical Correspondence analysis, CCA）和典型相关分析（Canonical Correlation Analysis , CCA）等方法。需要注意的是，典型对应分析和典型相关分析的英文缩写都是CCA。典型对应分析是对应分析（Correspondence analysis， CA）的一种约束形式，它广泛应用于生态学方向的研究却并未广泛运用于多组学联合分析(Meng et al., 2016)。在本流程中，我们用CCA表示典型相关分析。

在CCA分析中，两个组学数据集 \(\boldsymbol{X}\)（维度为 \(n \times p_1\)） 和\(\boldsymbol{Y}\)（维度为 \(n \times p_2\)）可以用以下隐变量分解的形式表示： $$\boldsymbol{X}=\boldsymbol{F}_x \boldsymbol{Q}_x^T+\boldsymbol{E}_x\\\boldsymbol{Y}=\boldsymbol{F}_y \boldsymbol{Q}_y^T+\boldsymbol{E}_y $$ 式中\(\boldsymbol{F}_x\)和\(\boldsymbol{F}_y\)为维度为\(n \times r\)维矩阵，该矩阵包含r个的隐变量（成分），每个隐变量是n维向量。隐变量矩阵\(\boldsymbol{F}_x\)和 \(\boldsymbol{F}_y\)解释了两个组学数据的共同结构（co-structure）。\(\boldsymbol{Q}_x\) 和\(\boldsymbol{Q}_y\)是\(\boldsymbol{F}_x\) 和 \(\boldsymbol{F}_y\)的载荷，而\(\boldsymbol{E}_x\)和\(\boldsymbol{E}_y\)代表误差项。CCA分析通过最大化\(\boldsymbol{Xq}_x^i\)和\(\boldsymbol{Yq}_y^i\)的相关性来获得组学数据集 \(\boldsymbol{X}\)和\(\boldsymbol{Y}\)的相关性。

然而在进行CCA分析时，由于需要计算隐变量相关性矩阵的逆矩阵，因此无法直接在变量数远大于样本数量的组学数据集的分析中使用(Hong et al., 2013)。一些CCA分析的变体可以解决上述问题从而使其可以使用在两个组学的关联分析中。这里我们使用Sparse CCA（sCCA）(Rohart et al., 2017; Witten & Tibshirani, 2009)来进行多组学关联分析。

3.3.3 偏最小二乘分析简述

PLS是高维组学数据分析中的另外一种高效降维方法。同CCA类似，PLS也使用隐变量分解的方式对两组学数据集降维并寻找其共同结构，但PLS最大化协方差矩阵而不是隐变量间的相关性(Krishnan et al., 2011)。这种方式使得PLA的结果更加稳健并能够更好的处理极端值的影响，同时，PLS法不会像CCA一样遭遇\(p≫n\)时无法求解的问题。

3.3.4 双向正交偏最小二乘法简述

不同类型的组学研究在规模，分布形状，实验误差等方面存在差异，而上文中提到的CCA和PLS并为考虑不同组学特有的变异。在构建模型时将将不同组学特有的变异纳入模型，可能会使得模型的性能更好(Szymanski et al., 2014)。O2PLS算法正是基于这种思想被提出。

图3.1 O2PLS算法的示意图

资料来源：Szymanski, J., Brotman, Y., Willmitzer, L., & Cuadros-Inostroza, Á. (2014). Linking Gene Expression and Membrane Lipid Composition of Arabidopsis[W][OPEN]. The Plant Cell, 26(3), 915–928. https://doi.org/10.1105/tpc.113.118919

在O2PLS模型中，两个组学数据集\(\boldsymbol{X}\)（维度为 \(n \times p_1\)） 和\(\boldsymbol{Y}\)（维度为 \(n \times p_2\)）可以用以下隐变量分解的形式表示： $$\boldsymbol{X}=\boldsymbol{TW}^T+\boldsymbol{T}_{Y⊥}\boldsymbol{p}_{Y⊥}^T+\boldsymbol{E}_x\\\boldsymbol{Y}=\boldsymbol{UC}^T+\boldsymbol{U}_{X⊥} \boldsymbol{P}_{X⊥}^T+\boldsymbol{E}_y $$ 式中，组学数据集 \(\boldsymbol{X}\) 和\(\boldsymbol{Y}\)各自被分为三部分：1，两个组学相关的部分，其中，矩阵\(\boldsymbol{T}\)和\(\boldsymbol{U}\)为该部分的隐变量（成分）， 而\(\boldsymbol{W}\)和\(\boldsymbol{C}\)分别为\(\boldsymbol{T}\)和\(\boldsymbol{U}\)的载荷； 2，两个组学各自特有的部分，其中，隐变量\(\boldsymbol{T}_{Y⊥}\)和\(\boldsymbol{U}_{X⊥}\)分别代表\(\boldsymbol{X}\)，\(\boldsymbol{Y}\)特有的部分，与\(\boldsymbol{Y}\),\(\boldsymbol{X}\)线性无关； 3，残差项\(\boldsymbol{E}_X\)，\(\boldsymbol{E}_Y\)。

3.3.5 DIABLO

上述三个模型均为无监督学习（Unsupervised Learning），您无法将分组信息纳入到模型中。而DIABLO模型(Singh et al., 2019)属于监督学习（Supervised Learning）。监督学习的目标是获得一个包含特征的输入并返回对目标变量的预测(Eraslan et al., 2019)。该模型可以同时整合转录组和代谢组（能整合多组不同类型的组学），分组信息也会被作为虚拟变量（dummy variable ，即哑变量）纳入模型中。此外，环境变量也可以纳入模型中（我们假定分组信息为包含分类变量n维向量；环境变量为包含连续型变量n维向量）。

3.3.6 过拟合、交叉验证和模型性能的优化

构建统计模型的一个重要目的是使用模型进行预测，也就是泛化（generalization）。当模型从训练集上不仅学习到样本所代表的总体的特征，还学习到样本特有的特征时，模型会过拟合（overfitting）。此时虽然模型在训练集上往往表现出较好的性能，但泛化能力降低，即使用模型进行预测的准确性下降(Bartlett et al., 2020)。这里我们用示意图3.2分别表示欠拟合（underfitting）,正确拟合和过拟合（overfitting）的模型。

图3.2 正确拟合、过拟合与欠拟合

注：左图模型未完全学到测试集的信息，从而导致模型泛化能力下降；右图模型学习到了测试集特有的信息，从而导致泛化能力下降。

导致过拟合的因素很多，例如模型过于复杂、样本量较少等因素。因此当您的数据量较少时，为了使模型的性能更好，可以适当选择简单的模型，而不必一味追求复杂的模型。此外，使用交叉验证（Cross Validation）、正则化（Regularization）等方法也可以减少模型过拟合的风险。

交叉验证是将数据均分为几部分，每次使用其中一部分验证模型性能，其余部分数据用于训练模型。通过循环，可以获得对模型性能的评价。交叉验证的流程如图所示。正则化是通过对模型高次项加入罚分，从而降低模型复杂度。

图3.3 交叉验证流程

结合相关文献(Bouhaddani et al., 2018; Rohart et al., 2017)，我们将上述模型的构架大致分为以下3步（图3.3）：1，交叉验证，用于确定隐变量的数量；2，拟合模型；3，总结和可视化：总结和可视化结果的功能。在构建模型时我们也加入了防止模型过拟合的措施。

对于O2PLS，需要确定最适的隐变量（成分）的数量，包含隐变量\(\boldsymbol{T}\)和\(\boldsymbol{U}\)（\(\boldsymbol{T}\)和\(\boldsymbol{U}\)的数量相同），以及\(\boldsymbol{T}_{Y⊥}\)和\(\boldsymbol{U}_{X⊥}\)。我们提供了两种交叉验证程序crossval_o2m和crossval_o2m_adjR2，在交叉验证时帮助进行模型参数的选择(Bouhaddani et al., 2018)。

3.3.7 重要的图的解读

本流程中涉及到的多元统计方法包括CCA, PLS, PLS-DA, O2PLS等。这些方法都将原始的数据分为隐变量（成分）及其所对应的载荷。双序图（biplot，有时也被译为双标图，图3.4（a））是一种集成图形，能同时展示隐变量和载荷的信息(GABRIEL, 1971)，注意在双序图中同时存在两套坐标系。在本流程结果的双序图中，用点表示样本，每个点在PC1和PC2轴上的投隐变量对隐变量的贡献度。从原点出发的箭头的端点（其实这是点的两外一种花哨表示）表示载荷值。

这里我们重点介绍双序图的生物学意义。对于图中的任意两个样本点，从原点出发到样本点之间的夹角为锐角时，代表两个样本点所对应的样本具有相关基因表达谱（或代谢物丰度谱）。例如图A中SF268, SF295, SF539, SNB19, U251等在双序中相互接近，这些样本来源于同一个细胞系并具有相似的基因表达模式（图3.4(b)）。夹角为钝角的具有相反的表达模式。若夹角接近直角，则表示这两个样本的表达谱不相关。两个箭头之间的夹角表示箭头所对应的基因（或代谢物）在不同样本的表达量的相关性。例如图中HEXB, WASL, GNS, PCBP4, DOCK7的夹角均为锐角，这些基因在不同样本呈现相似的表达量。在CNS和Melanoma两个细胞系的表达量高于Leikmeia。点和箭头之间的夹角代表表达量（或丰度）高低。角度越接近则该点所对应的样本中该基因（或代谢物）的表达量（或丰度）越高，例如样本SF268和基因PBCE1。反之，角度为钝角则意味着该点所对应的样本中该基因（或代谢物）的表达量（或丰度）较低，例如样本SF268和基因DPPA5(González et al., 2012, 2012; Oyedele & Lubbe, 2015)。

当仅需要展示载荷时，可使用图C的相关性圈图（Correlation Circles Plot，图3.4（c））。在该图中，使用标准差对载荷进行缩放，从而使每个处理所有变量之和为1。我们在图中展示了一个半径为1的单位圆，如果一个箭头的端点接近单位圆（半径接近1），我们认为该基因（或代谢物）能够很好的由隐变量1和2代表；反之，如果一个箭头的端点距离单位圆较远（半径小于1），则可能需要使用额外的隐变量展示该箭头所对应的基因或代谢物。有时我们也会用圆点来代替箭头表示载荷。

图3.4 统计模型部分的图示

注：a, 双序图；b, 相关性热图；c, 相关性圈图

四 数据分析结果

4.1 相关性热图

热图可以聚合大量的数据，并很直观地展现数据的疏密程度或频率高低。这里我们使用聚类热图展示您筛选出的基因和代谢物的相关性。本项目结果图见结果文件 01_相关性热图/本部分包含以下结果：
├── 01_相关性热图
├── cor_p.tsv
├── cor_r.tsv
└── result.svg

图4.1 转录组和代谢组的相关性热图

注：在该图中，行代表代谢物而列代表基因。默认使用Spearman法计算相关性，分别对基因和代谢物进行聚类并不显现基因与代谢物ID。您也可以在分步骤的流程中调整。

4.2 九象限图

转录组与代谢组的九象限图能够反应差异基因与差异代谢物之间的关系。在结题报告中我们为您展示了交互式图表供您更详细的进行基因和代谢物的筛选，您可以在分步骤流程中对图形参数进行更进一步的设置及导出高质量图片。关于九象限图在转录组和代谢组的联合分析中的运用，请参考这篇文章(Zhang et al. 2020)。本项目结果图见结果文件 02_九象限图/本部分包含以下结果：
├── 02_九象限图
├── outputData.tsv
└── result.html

图4.2 转录组和代谢组的九象限图

注：在该图中，X轴代表基因的log2FoldChange而Y轴代表代谢物的log2FoldChange。第五象限的点所对应的基因与代谢物均无变化；第二、八象限的点所对应的基因表达量变化不明显二代谢物丰度变化明显；第四、六象限的点所对应的基因表达量变化显著而代谢物丰度变化不显著；其余象限基因与代谢物变化均显著。

4.3 相关性网络图

相关性网络图能够直观的显示具有最高连接度的基因（Hub Gene）或代谢物。这类基因或代谢物通常具有相对重要的功能。您可以结合相关研究进一步分析这些基因和代谢物的功能。本项目结果图见结果文件 03_相关性网络图/

本部分包含以下结果：
├── 03_相关性网络图
└── result.html

图4.3 相关性网络图

注：在该图中，我们分别用圆形节点和方形节点代表基因和代谢物。对于符合要求（相关系数绝对值大于0.8,pvalue小于0.05）的基因和代谢物，我们在网络图中用边表示。使用鼠标悬停在点上可以查看基因或代谢物信息，悬停在边上可以查看相关性系数等信息。您可以在分步骤流程中对图形参数进行更进一步的设置及导出高质量图片。

4.4 共富集分析

我们将为以表格的形式为您展示共富集分析显著的KEGG通路。本项目结果图见结果文件 04_共富集分析/

本部分包含以下结果：
├── 04_共富集分析
├── combinationTest.tsv
├── enrich_ora_cpd.tsv
├── enrich_ora_gene.tsv
├── metabenrich_analysis_ora.svg
└── transenrich_analysis_ora.svg

mapID	Description	transcriptomePvalue	metabolomePvalue	combinationPvalue
02010	ABC transporters	0.000830	1.000000	0.006717
04210	Apoptosis	0.002320	1.000000	0.016391
04514	Cell adhesion molecules	0.003985	1.000000	0.026004
00591	Linoleic acid metabolism	1.000000	0.000142	0.001404
00590	Arachidonic acid metabolism	1.000000	0.000183	0.001755

4.5 联合通路图

基于KEGG的联合通路图可以反映同一通路内基因和代谢物变化情况。本项目结果图见结果文件 05_联合通路图/

本部分包含以下结果：
├── 05_联合通路图
├── *.png
├── *_result.html