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
pathview是一个通路可视化友好的R包，最主要的是它支持多组学数据映射（基因/蛋白-代谢）。自己用过它的R包，后来发现有网页版的，果断介绍给学员。因为不常用，记录要点，以后温习备用。
目前web版本和R包访问和应用次数如下，显然R群体用户占主导。Web界面是在PHP上使用Laravel Framework和R构建的。地址： https://pathview.uncc.edu/
使用时可以游客快速访问，不过注册的话会保留一段时间分析的结果。
工具使用的帮助文档详见： https://pathview.uncc.edu/tutorial#input ，包括了示例说明，输入输出参数，结果说明。
New Analysis是我们要导入分析的数据，并设置的一些参数。怎么使用呢？或者说有哪些功能呢？它提供了example1-example4的4个案例，了解了这四种分析，后续我们只要依葫芦画瓢设置一下就OK了。下面我们先看下示例1.
多样本KEGG可视化。第一个选项，输入输出在这个demo数据中，基因有3个样本，代谢组有2个样本：
第二个选项Graphics，即图形参数。没有特殊需求的话默认就好，不懂点击图中小图标。
映射上的分子都标颜色了，基因三个样本，不同颜色不同丰度（经过归一化）；代谢2个样本，即2种颜色，顺序应该是按tab中样本先后顺序来的。
combo.res.sig.tsv是个什么文件，帮助文档里好像没有解释。我的理解是两个组学combine做的富集分析结果，重点看p值和q值。
gaga.res.sig.gene.tsv也没有解释，对于文件中的每一列不是很懂。但知道GAGA是FCS的一种富集分析方法，重点看p值和q值。
只是不明白，结果中图只有6个，为何两个富集分析结果中有这么多通路。
示例2是多个样本的Graphviz视图。和示例1的分析几乎是一样的，只是图形不同。Graphviz图是通过使用Graphviz引擎对pathway图进行布局，可以更好地控制节点或边缘属性和pathway拓扑，更重要的是可以保存为PDF格式的矢量图像（KEGG pathway视图只有png，不清晰）。
打开其中一个图，可以看到Graphviz简化了很多。
示例3是ID映射，这是最常用的功能吧。
demo数据中是单个样本的丰度，基因ID变成了Ensemble，化合物ID来自CAS。
基因数据：
代谢组数据：
得到的结果就只有映射的图片了，没有富集的结果。
查看下图片：
整合Pathway分析，要花费更长的时间。分析方法和上三个示例是一样的，只是默认的参数Pahtway Selection为“Auto”（其他三例为Manual）。
另外，和示例1相比就是demo数据的样本数增加了。
基因示例数据如下：
结果如下：
图形如下：
帮助文档中没说明以上数据是否重复。我查了下这6个图，基因都是1-3色，化合物都是1-2色，所以我推测基因是三个样，每个2重复，代谢两个样，每个2重复。
关于结果数据，和示例1比，除了combo.res.sig.tsv和gage.res.sig.gene.tsv外，还多了一个gage.res.sig.cpd.tsv文件，格式和gene的是一样的，如下：
经检查，示例2和示例4是可以设置重复的。点击下面这个铅笔：
我们自己数据导入时，也会弹出窗口提醒我们是否进行分组，设置的方式参考示例2和示例4（指明列数）。
对于New Analysis来说没啥区别，只是说明了两种不同的输入方式作为参考，如不同数据和分组信息，在Pathway Selection选择了Auto。自己输一次就知道了。
输入时，可以选择单组学或多组学：
