我们输入的数据包含 gene ID 和 vector(单样本)部分，这里的 gene ID 是一个通用概念，可以是基因、转录本、酶或蛋白质。这里的 vector 可以是样本的表达量、倍数变化, p-value, 组蛋白修饰数据等可测量的属性。下面我们以一个 RNA-seq 差异分析后的数据为例，来学习 pathview 的用法。
在 KEGG PATHWAY Database 查询,例如查询小鼠的"Cell Cycle"这条通路:
得到通路 ID 为"04110",物种为"mmu"
我们通过指定 gene.data 和 pathway.id 来观察我们数据里的基因在信号通路“Pathways in cancer”上的表达变化:
相比于原始的 KEGG 图，我们可以使用 graphviz 产生一个新的布局，并且输出 PDF 格式的文件:
以下是输出结果图
如果我们想要运行的更快一点，并且不介意输出图片的大小，我们可以分图层，用 same.layer = F 将节点颜色和标签添加到另一个图层中，并且原来的 KEGG 基因标签会变成官方的 gene symbols :
在此基础上，修改 kegg.native = FALSE ，我们就可以得到一个主图与图例分成两个页面的 PDF 文件
在原始的 KEGG 视图中，一个基因节点可能代表具有相似或者冗余功能的基因/蛋白质，我们可以将这种包含多个基因的节点拆分成独立的节点，这样可以更好的从基因层面而不是节点层面来查看数据。同时也可以通过汇总基因数据来可视化节点数据:
为了画面有更好的清晰度和可读性，默认不分裂节点，也不单独标记每个成员基因。
代谢途径中，除了基因节点还有化合物节点，我们可以尝试利用代谢途径( Propanoate metabolism)整合基因数据和化合物数据。这里的化合物数据包括代谢物、药物，对它们的测量和它们的属性。在这里我们仍然使用之前 RNA-seq 差异分析的数据作为 gene data,然后，我们生成模拟化合物或代谢组数据，并加载适当的化合物 ID 类型以进行演示:
结果如下
pathview 可以集成并将多个样本或状态绘制成一个图，我们可以使用多个重复样本模拟化合物数据:
结果如下，可以看到基因节点和化合物节点被分成多份，对应不同的样本:
我们可以根据将化合物数据分为绝对值大于 5 和小于 5 两类，构成一组离散型数据:
结果如下:
Pathview 包中的主函数是 pathview() ，有着各种参数，是我们用到最多的函数。在这篇文章中，我们介绍了 pathview()的比较常见的用法,包括包安装，数据准备，以及其他有用的特性。我们也可以使用 pathxiew 的网页版，地址是 https://pathview.uncc.edu/ 。此外，Pathview 在数据整合方面有很强大的功能，包含 4800 个物种，能处理的数据属性和格式包括 连续/离散数据、矩阵/矢量、单个/多个样本数据 ，包中还具有强大的 ID 转换功能，这些都值得我们进一步探索。
生活很好，有你更好
在最短路算法的基础上，每替换一次k点时该点介数+1，（k，j）边介数+1，不知道你的最短路总数怎么算，是包括所有的还是只包括3节点以上的路？反正再除下最短路总数就出来了。R是用于统计分析、绘图的语言和操作环境。R是属于GNU系统的一个自由、免费、源代码开放的软件，它是一个用于统计计算和统计制图的优秀工具。文件包含三列数据：来源地、目的地、及call数量
我们都知道可视化网络，需要准备两个数据文件：
接下来基于此数据集准备点和边列表文件
至此，简单的边和点列表已经准备好了，我们接下来通过几个R包来可视化下
这是R中绘制网络图的一个基本R包，这里主要用到 graph_from_data_fram() 函数。更多关于此包绘图的细节可参考这个帖子 Network Analysis and Visualization with R and igraph (kateto.net) ，介绍的十分详细。
这两个R包目前相对比较流行，可以对network数据进行操作和可视化
ggraph包还有更多好玩的样式，详情参考： https://www.data-imaginist.com/2017/ggraph-introduction-layouts/ , 根据个人的数据去选择最合适的展现形式即可。
这两款R包都是基于浏览器的JavaScript可视化库，用于交互式的展示图形，这里我们还用到刚才的示例数据来展示。
常用来快速创建交互式桑基图、和其它种类的网络图等，核心的函数即 forceNetwork()
制作桑基图
该包绘制更加方便，
我们也可以为网络中的边添加方向,用到 layout_with_fr 方式
