MetMiner流程整合了mass_dataset数据输入格式，所以具有灵活多变的数据输入模式，本文介绍了通过metMiner进行代谢组数据分析前的数据准备及项目初始化工作。

主要从一下几方面说明：

1. Metadata准备（实验数据管理及样本命名规则）；
2. 原始数据格式转换和文件结构（从原始数据导入）；
3. 提峰表格准备（从其它软件提峰表格导入）；
4. mass_dataset准备（从mass_dataset类型数据导入）；

年前CJ大佬深度体验了下WGCNAshiny， 提了一些非常好的建议和意见，过年的时候折腾了几天，改善了一些东西，距离上次发布更新已经过去很久了，期间随着课题的进展，我自己也添加了一些内容。

原本以为毕业了就起飞了，没想到，喵的比没毕业还累...
又鸽了仨月，这个小插件到时完善了不少，但是上次承诺的视频还是没有录。原因不说了，准备手打！ 还是写个教程为好。录视频，怕是要不知何年何月了...

对比大佬的下班时间发现，忙从来不是借口，懒才是....

在引言部分我们讲过离群样本的判别，很大程度上和实验设计相关，对于无样本异质性，变量较少的实验设计是一种方案，而对于存在样本异质性，或者引入了多样化变量的实验设计这里需要慎重去除...

数据清洗的第一步是根据统计样本中代谢物的缺失率（missing value rate）来标记噪音。MetMiner中标记噪音的具体方式较为多样化...

该部分是数据清洗前的准备工作，主要的作用是通过观测QC样本的峰面积的boxplot以及整体样本中代谢物的缺失情况来补充batch信息，如果没有观测到明显的批次效应则可以直接进行后续分析。

我们将代谢组学数据分析大致的分为了两部分，第一部分数据清洗，也就是将包含系统误差、批次效应、噪音、离群样本，等多种干扰因素的「原始数据」清洗成「干净数据」。MetMiner在执行数据清洗前会对原始数据进行质控，尽早的基于质控样本（QC）来观测是否具有严重批次效应的出现，以及由于实验操作失误产生的异常数据；

该部分主要介绍两点：

1. 代谢组数据误差来源原理和解决方案；

2. 数据清洗步骤简介；

MetMiner流程整合了mass_dataset数据输入格式，所以具有灵活多变的数据输入模式，本文介绍了通过metMiner进行代谢组数据分析前的数据准备及项目初始化工作。

主要从一下几方面说明：

1. 原始数据格式转换和文件结构（从原始数据导入）；
2. 提峰表格准备（从其它软件提峰表格导入）；
3. mass_dataset准备（从mass_dataset类型数据导入）；

突然有个需求，然后花了差不多半个小时指挥GPT4干完了... 说实话，这效率也太快了，要是让我从头手打，估计要折腾一下午。

这篇博客就记录下如何和GPT打配合搞定ShinyApp，并且通过CLI program wapper creator工具将shinyapp制作成插件分享给大家。

背景

• 参考基因组： 玉米B73_v2,数据来源-MaizeGDB
• 基因注释文件：ZmB73_5a.59_WGS.gff3.gz
• 数据源：本课题自测的20个玉米的40x重测序数据。