扫码支付更轻松
1. 功能：O2PLS是一种泛化的OPLS，可在两个数据矩阵中进行双向建模和预测，利用此分析，可挖掘两组学之间的内部联系，确定两组学数据的关联程度，同时确定引起这种关联的主要基因或者代谢物或蛋白等。
2. 应用：蛋白+代谢 / 蛋白+脂质 / 转录+代谢 / 转录+脂质 / 16S+代谢等两组学关联分析。
3. 输入：两个数据矩阵，格式txt,xlsx,csv
文件1：如转录组表达量数据（注意：输入数据不能少于6个样本）
| gene id | CK1 | CK2 | CK3 | Work1 | Work2 | Work3 |
| unigene002693 | 0 | 0 | 2.53 | 1.96 | 0.34 | 0.096 |
| unigene003854 | 0.52 | 0.12 | 0.58 | 0.12 | 0 | 0.22 |
| …… | …… | …… | …… | …… | …… | …… |
文件2：如代谢组丰度数据（注意：输入数据不能少于6个样本）
| metabolite | CK1 | CK2 | CK3 | Work1 | Work2 | Work3 |
| var_1 | 20.623 | 128.61 | 154.6 | 41.458 | 227.88 | 113.78 |
| var_2 | 15.682 | 67.41 | 36.14 | 67.913 | 71.591 | 45.11 |
| …… | …… | …… | …… | …… | …… | …… |
4. 参数
颜色：根据需求选择荷载图中散点颜色
字体大小：根据需求选择荷载图中字体大小
散点大小：根据需求选择荷载图中散点大小
散点透明度：根据需求选择荷载图中散点的透明度
显示标签：根据需求选择荷载图中要展示的标签数量
5. 输出：
（1） 模型构建参数：
| ax | ay | a | prediction error |
ax：转录组正交部分的组分个数
ay：代谢组正交部分的组分个数
a：两组学关联部分的组分个数
prediction error：模型的预测误差
交叉验证法通过多次预建模，选择预测误差（prediction error）最小的模型进行后续分析。
（2） 贡献度评估
| R2X | R2Y | R2Xcor | R2Ycor |
R2x：转录组关联和正交部分对转录组总变异的解释度
R2y：代谢物关联和正交部分对代谢组总变异的解释度
R2xcorr：转录组关联部分对转录组总变异的解释度
R2ycorr：代谢物关联部分对代谢组总变异的解释度
贡献度是指模型各部分对总变异的解释程度，用R2表示。R2值越高，表示该部分对模型的解释能力越好。
（3） loading分值表
载荷值（loading value）表示变量（代谢物/基因）在各组分的解释能力（即对组间差异的贡献度），载荷值的正负表示与另一组学正关联或负相关；载荷值的绝对值越大，表示关联越强。
| metabolite | Loading_1 | Loading_2 |
| POS0052 | ||
| POS02378 |
| transcript | Loading_1 | Loading_2 |
| gene1 | ||
| gene2 |
Loading_1：一维loading值
Loading_2：二维loading值
（4） 两组学o2pls载荷图
为了查看哪些代谢物和基因相互关联，我们对关联的部分变量（基因或代谢物）分别绘制不同组学的载荷图（loadings plot）
图1 两组学O2PLS荷载图
（5） 两组学关联载荷图
根据元素loading值结果，我们筛选出前两个维度loading值平方和前n个基因和代谢物进行整合绘制loading图，以展示关联程度最大的基因和代谢物。（这里的n在显示标签提前设置）
图2 两组学关联荷载图
该图表示转录组和代谢物关联部分的载荷图，横轴为第一维坐标，纵轴为第二维坐标。图中圆点表示基因或代谢物，在坐标中的绝对值越大，表示此元素与另外一个组学的关联程度越大。从该图中，我们就可以获得关联性较高的基因和代谢物，为后续的两组学数据关联分析指明方向。
使用16S数据与代谢组关联分析为例：
示例数据
代谢组数据（展示部分）
16S数据（展示部分）
参数设置：
输出结果：
（1）模型构建参数文件，以cv.stat.xls命名
交叉验证法通过多次预建模，选择预测误差（prediction error）最小的模型进行后续分析。
（2）贡献度评估，以component_proportions.xls命名
贡献度是指模型各部分对总变异的解释程度，用R2表示。R2值越高，表示该部分对模型的解释能力越好。本例子中解释度为58.8%和65.4%，说明模型较好。
（3）loading分值表，以X_loading.xls和Y_loading.xls命名
载荷值（loading value）表示变量（代谢物/基因）在各组分的解释能力（即对组间差异的贡献度），载荷值的正负表示与另一组学正关联或负相关；载荷值的绝对值越大，表示关联越强。
（4）两组学o2pls载荷图，以o2m_loading.pdf和o2m_loading.png命名，提供pdf和png格式
查看微生物种和代谢物关联的数据，用o2pls荷载图展示。
图1 两组学O2PLS荷载图
5. 两组学关联载荷图
从该图中，我们就可以获得关联性较高的微生物OTU和分泌代谢物，为后续的两组学数据关联分析指明方向。
图2 两组学关联荷载图
Q1. 上传的数据需要保存成什么格式？文件名称和拓展名有没有要求？
OmicShare当前支持txt(制表符分隔)文本文件、csv(逗号分隔)文本文件、以及Excel专用的xlsx格式，同样支持旧版Excel的xls(Excel 97-2003 )格式。如果是核酸、蛋白序列文件，必须为FASTA格式（本质是文本文件）。
文件名可由英文和数字构成，文件拓展名没有限制，可以是“.txt”、“.xlsx”、“.xls”、“.csv”“.fasta”等，例如 mydata01.txt，gene02.xlsx 。
Q2. 提交时报错常见问题：
1.提交时显示X行X列空行/无数据，请先自查表格中是否存在空格或空行,需要删掉。
2.提交时显示列数只有1列，但表格数据不止1列：列间需要用分隔符隔开，先行检查文件是否用了分隔符。
其它提示报错，请先自行根据提示修改；如果仍然无法提交，可通过左侧导航栏的“联系客服”选项咨询OmicShare客服。
Q3. 提交的任务完成后却不出图该怎么办？
主要原因是上传的数据文件存在特殊符号所致。可参考以下建议逐一排查出错原因：
（1）数据中含中文字符，把中文改成英文；
（2） 数据中含特殊符号，例如 %、NA、+、-、（）、空格、科学计数、罗马字母等，去掉特殊符号，将空值用数字“0”替换；
（3）检查数据中是否有空列、空行、重复的行、重复的列，特别是行名（一般为gene id）、列名(一般为样本名)出现重复值，如果有删掉。
排查完之后，重新上传数据、提交任务。如果仍然不出图，可通过左侧导航栏的“联系客服”选项咨询OmicShare客服。
Q4.下载的结果文件用什么软件打开？
OmicShare云平台的结果文件（例如，下图为KEGG富集分析的结果文件）包括两种类型：图片文件和文本文件。
图片文件：
为了便于用户对图片进行后期编辑，OmicShare同时提供位图（png）和矢量图(pdf、svg)两种类型的图片。对于矢量图，最常见的是pdf和svg格式，常用Ai(Adobe illustrator)等进行编辑。其中，svg格式的图片可用网页浏览器打开，也可直接在word、ppt中使用。
文本文件：
文本文件的拓展名主要有4种类型：“.os”、“.xls”、“.log”和“.txt”。这些文件本质上都是制表符分隔的文本文件，使用记事本、Notepad++、EditPlus、Excel等文本编辑器直接打开即可。结果文件中，拓展名为“.os”文件为上传的原始数据；“.xls”文件一般为分析生成的数据表格；“.log”文件为任务运行日志文件，便于检查任务出错原因。
Q5. 提交的任务一直在排队怎么办？
提交任务后都需要排队，1分钟后，点击“任务状态刷新”按钮即可。除了可能需运行数天的注释工具，一般工具数十秒即可出结果，如果超出30分钟仍无结果，请联系OS客服，发送任务编号给OmicShare客服，会有专人为你处理任务问题。
Q6. 结果页面窗口有问题，图表加载不出来怎么办？
尝试用谷歌浏览器登录OmicShare查看结果文件，部分浏览器可能不兼容。