代谢组与GWAS整合研究

    全基因组关联分析（GWAS）是研究复杂疾病遗传易感的重要技术手段，利用GWAS分析可以快速获得疾病易感的基因位点及染色体区域。由于传统GWAS筛选的位点大多数位于非功能区域，无法有效进行功能机制的深入研究，从而对于疾病的发病机理进行挖掘。因此，利用中间组学数据作为表型进行GWAS分析逐渐成为GWAS研究的热点，可以形成全面的系统生物学遗传调控机制，其中mGWAS（metabolome Genome-wide Association Study）是将代谢组数据作为表型，与基因型数据进行关联分析。由于代谢组数据对于表型鉴定更为精细，因此关联分析的精度比传统GWAS分析更高。

    联合分析包括加性遗传模型、逻辑回归分析、线性回归分析等。

    加性遗传模型(AdditiveGenetic Models)分析SNPs与代谢物的相关性.

    线性回归分析（linear regression）分析代谢物含量和易感SNPs间相互依赖的定量关系。

代谢组与肠道微生物基因组整合研究

    在基于统计方法的关联分析中，不仅包含了基于相关性的整合分析，如皮尔森相关性分析(PearsonCorrelation)、斯皮尔曼秩相关性分析 (Spearman Rank Correlation) 等，而且还有基于数据拼接的整合分析、基于多变量的整合分析（如典型的 O2PLS 分析）和基于代谢通路（pathway）的整合分析。

代谢组学数据处理包含单变量数据分析中的T检验（Student's t test）、差异倍数分析（fold change）、方差分析（Analysis of Variance, ANOVA）、主成分分析（Principal Component Analysis，PCA）、偏最小二成判别分析（Partial Least Squares Discriminant Analysis, PLS-DA）和正交偏最小二乘判别分析（Orthogonal Partial Least Squares Discriminant Analysis, OPLS-DA）等。

    肠道菌群组数据分析包含物种分类注释、T检验（T-Test）、MetaStat 分析（MetaStat analysis）、LDA Effect Size分析（LDA Effect Size analysis）、α-多样性分析（α-diversity）、β-多样性(β-diversity)、主成分分析（Principal Component Analysis，PCA）、主坐标分析（principal co-ordinates analysis），冗余分析(redundancy analysis, RDA)，典范对应分析（canonical correspondence analysis, CCA），代谢通路和数据库比对分析（KEGG, CAZyme, Go）。

    代谢组和肠道菌群的联合分析包括相关性分析（如Pearson Correlation、Spearman Rank Correlation），稀疏典型相关（Sparse Canonical Correlation）等。

皮尔森相关性分析

稀疏典型相关

代谢物来源及其相关性分析

    通过对代谢物进行来源性分析，主要分成三类：肠道菌群来源性代谢物，人与肠道菌群共同来源性代谢物、人体自身代谢物。对代谢物进行斯皮尔曼等级相关性分析，选取具有显著性相关作用的代谢物进行相关性展示。其中，红色原点是在疾病组中富集的差异显著性代谢物，绿色方块是在疾病组中降低的差异显著性代谢物，标记了红色外框的代谢物是研究中发现的潜在生物标记物。此外，根据斯皮尔曼等级相关性系数大小进行不同代谢物-代谢物间的相关性连接，在该图中，红色线条表示 rho≥0.9，粉色线条表示 0.9＞rho≥0.8，黄色线条表示 0.8＞rho≥0.7，蓝色线条表示 0.7＞rho≥0.6，海蓝色线条表示 0.6＞rho≥0.5，灰色线条表示 rho≤-0.5。(备注：对于菌群-菌群，菌群-代谢物都可以使用多种类似的相关性网络图展示相关性结果)

宏基因与代谢物互作网络构建

将差异基因与差异代谢物通过metscape，metmapR 等构建调控网络，该网络基于数据库、实验、文献等已有知识构建，可能能够帮助挖掘出未知的功能代谢通路，阐述新的调控机理。