上一次的文章中详细介绍了Cytoscape的使用如果连这些图都不会，还怎么让文章有逼格？！，留了一个尾巴，是关于APP的，上次只讲了一个Agilent Literature Search，再之前介绍的APP请看副本吧。今天再介绍两个，一个是BiNGO，一个是KeyPathwayMiner。
先看BiNGO，怎么下载就不说了。这是一个GO分析的工具。
Cluster name随便输一个，Gene list可以从当前Cytoscape的网络获取，也可以直接复制Gene list（这里选的是后者）。默认分析BP，可以
分析结果如下：
包括GO中的Term的信息以及统计学数据，以及具体基因
下图是可视化的结果
黄色的圈是显著富集的GO term，圈越大，term中的基因越多。term之间的关系由箭头连接。
和ClueGO分析的结果相比如何呢？
同样的基因，ClueGO这里显示的是显著富集的term，不同颜色表示term的聚类，比如说两个term关系比较近，就标注成同一颜色；圈越大表示富集程度越高。与BiNGO相比，ClueGO不显示term之间的直接上下游关系，不过ClueGO可以可视化所有的所有的基因，比如像这样。。。
（这组数据的term和基因太多了。。。）
简单的说，这个APP可以通过上传表达量数据，然后通过一定的算法算出网络中的核心subnetwork。和我们之前介绍的k-core算法从结果来看有点像如何愉快地利用网络分析筛选关键基因，但是那个是只基于单纯网络结构进行分析，并没有加入表达量数据。
但是在使用APP的时候，发现上传表达量数据有些问题，所以最后还是用了它的在线版本，网址是https://keypathwayminer.compbio.sdu.dk/keypathwayminer/
背景网络网站上已经自带了，基于BIOGRID数据库的各个物种的全基因网络
我们直接上传表达数据（先筛选差异基因，然后只上传差异基因的表达数据）
上传这样的一个表达矩阵
上传完毕之后就可以Run了，选好要分析的数据
这里的演示参数是默认值，流程中提供了三种算法，有兴趣的童鞋可以看下文末的参考文献，里面有详细的算法说明。Node exceptions和Nubmer of computed pathway可以控制最后筛选出的网络大小。
结果如下，可以转换node的ID
Show union network可以显示右侧全部pathway的合集
分析得到的网络，可以利用KEGG和GO等数据库进行注释，Cytoscape处理美化一下，得到下面这样的网络图，揭示疾病的调控机制
参考文献：
1、KeyPathwayMiner 4.0: condition-specific pathway analysis by combining multiple omics studies and networks with Cytoscape
2、Efficient key pathway mining: combining networks and OMICS dataw
联系客服
