అనేటా సావికోవ్స్కా
అధిక-నిర్గమాంశ lc-ms డేటా కోసం సమగ్ర డేటా విశ్లేషణలు ప్రదర్శించబడ్డాయి. మల్టీఫ్యాక్టోరియల్ ప్రయోగాల కోసం గణాంక విశ్లేషణ మరియు ఏకీకరణ పద్ధతులు చూపబడ్డాయి. ఉదాహరణల డేటా సెట్లు కరువు ఒత్తిడిలో వ్యాధికారక సంక్రమణ మరియు బార్లీ (హోర్డియం వల్గేర్)కు తృణధాన్యాల ప్రతిస్పందనపై అధ్యయనాల నుండి వచ్చాయి. ప్రాథమిక జీవక్రియలు, ద్వితీయ జీవక్రియలు మరియు ప్రోటీన్లు విశ్లేషించబడ్డాయి.
R సిస్టమ్‌లో డేటా ప్రిప్రాసెసింగ్, విశ్లేషణ మరియు విజువలైజేషన్ జరిగింది. Genstat ప్యాకేజీలోని విధానాలను ఉపయోగించి గణాంక విశ్లేషణలు జరిగాయి. నెట్‌వర్క్‌ల ద్వారా ఓమిక్ డేటా ఇంటిగ్రేషన్ మరియు విజువలైజేషన్ యొక్క పద్ధతులు ప్రదర్శించబడ్డాయి.
వివిధ పరిస్థితులలో జీవక్రియలు మరియు ప్రోటీన్ల మధ్య సంబంధాలను పోల్చడానికి సహసంబంధ నెట్‌వర్క్‌లు మరియు అవకలన సహసంబంధ నెట్‌వర్క్‌లు నిర్మించబడ్డాయి. లక్షణాలు నోడ్‌ల ద్వారా సూచించబడతాయి, పంక్తులు (అంచులు) లక్షణాల జతల మధ్య పరస్పర సంబంధాలకు అనుగుణంగా ఉంటాయి. మాడ్యూల్స్ - అత్యంత పరస్పర సంబంధం ఉన్న లక్షణాలతో కూడిన క్లస్టర్‌లు గుర్తించబడతాయి. హబ్‌లు, ఇవి అనేక కనెక్షన్‌లతో కూడిన లక్షణాలు (ఇతర లక్షణాలతో సహసంబంధాలు) సూచించబడ్డాయి.
R లో WGCNA ప్యాకేజీని ఉపయోగించి సహసంబంధ నెట్‌వర్క్ విశ్లేషణ జరిగింది, పియర్సన్ సహసంబంధ మాతృక పవర్ ఫంక్షన్‌ని ఉపయోగించి ప్రక్కనే ఉన్న మాతృకగా మార్చబడింది. క్లస్టరింగ్ ద్వారా మాడ్యూల్స్ కనుగొనబడ్డాయి. బోన్‌ఫెరోని కరెక్షన్‌తో ఫిషర్ యొక్క Z పరివర్తన ఆధారంగా పరీక్షను ఉపయోగించి డిఫరెన్షియల్ కోరిలేషన్ నెట్‌వర్క్‌లు సృష్టించబడ్డాయి. సైటోస్కేప్‌లో నెట్‌వర్క్‌ల విజువలైజేషన్ నిర్వహించబడింది.
అల్గారిథమ్‌లు ఏదైనా అధిక-నిర్గమాంశ lc-ms డేటాకు అనుగుణంగా ఉంటాయి.
English 
Spanish 
Chinese 
Russian 
German 
French 
Japanese 
Portuguese 
Hindi