你好！本期悟空云，主题是 细胞特异性网络分析（CSN）

进入悟空云：

https://www.omicsolution.com/platform.html

见功能圈--3--31CSN方法

这是悟空云平台交流视频第六十九期，主题是 细胞特异性网络分析（CSN）。

CSN 的核心作用，是把组学数据分析从单个分子的表达量比较扩展到分子之间关联结构的比较。在原始方法中，CSN 主要用于单细胞转录组数据，为每个细胞构建一个细胞特异性的基因关联网络。我们在悟空云平台中对这一方法进行了重现，并将其扩展到更常见的组学分析场景。

这个工具适合用于发现常规差异分析不容易识别的关键分子。常规差异分析主要关注表达量是否升高或降低，而 CSN 分析关注的是分子在网络中的连接关系是否发生改变。因此，有些蛋白质、基因或代谢物虽然表达水平本身没有显著变化，但它们在疾病组、处理组或特定样本中的网络连接地位发生了明显变化，这类分子可能参与了更深层的生物调控过程。

输入数据

在平台中，用户可以上传蛋白质、基因、代谢物等特征在不同样本中的表达量矩阵。

模块会基于这些表达数据，为每个样本构建样本特异性的分子关联网络，并进一步转换为网络度矩阵（Network Degree Matrix，NDM）。网络度矩阵反映的是每个分子在每个样本网络中的连接强度，也就是该分子在样本特异性网络中的连接重要性。

实际场景

在实际应用中，CSN 模块可以用于疾病与正常样本比较、药物处理前后比较、不同临床分型比较、时间序列样本分析、多组学特征筛选以及候选生物标志物挖掘。

与常规差异分析只关注表达量变化不同，CSN 更关注分子之间的关联结构变化。因此，它特别适合用于挖掘那些表达水平变化不明显、但在网络中连接地位发生改变的关键分子。

比如在疾病与正常样本、药物处理前后样本、不同临床分型样本、多组学数据和生物标志物筛选中，CSN 都可以作为差异分析之外的补充方法，帮助我们从网络角度发现潜在的重要特征。