ubynet 是一个用于 分子数据分析与转化网络构建 的 R 包。
它提供了从分子数据合并、质量差反应匹配，到构建基于成对质量差 (PMD) 的分子转化网络的完整工具链。
适合处理 FTICR-MS 等超高分辨质谱数据的反应分析与分子转化研究。
整理成正式引用形式可以是这样：
In order to facilitate the integration of FT-ICR MS data across multiple samples, our team has developed ubynet, a specialized R-based software suite that is available for download on GitHub (https://github.com/uby76/ubynet).
如果要放在 参考文献 部分（软件引用），常见写法是：
Software citation example (APA style):
Jianwei, L. (2025). ubynet: An R package for molecular data analysis and transformation network construction. GitHub repository. https://github.com/uby76/ubynet
📢 订阅会把最新的更新发送到邮箱中
👉 点击这里订阅
请先确保安装 remotes 包：
install.packages("remotes")从 GitHub 安装 ubynet：
remotes::install_github("uby76/ubynet")中国大陆用户建议使用 GitCode 下载速度更快：
remotes::install_git("https://gitcode.com/uby076/ubynet.git")
两个示例数据 （inflow.csv和outflow.csv）
library(tidyr)
library(ubynet)
#基于mass的匹配
#所有的csv文件放在E:/data/test，文件夹下
res <- merge_mass_intensity(
dir_path = "E:/data/test",
output_mass_intensity = "E:/data/test/mass_int.csv",
output_mass_elements = "E:/data/test/mass_el.csv"
)
library(tidyr)
library(ubynet)
#基于molform的匹配
#所有的csv文件放在E:/data，文件夹下
dir_path <- "E:/data/test"
#合并后输出的intensity
output_molform_intensity <- "E:/data/test/merged_molform_intensity.csv"
#合并后输出的分子信息
output_molform_elements <- "E:/data/test/merged_molform_elements.csv"
#过滤后的样本（csv）存放位置
output_filtered_samples_dir <- "E:/data/test/filtered_samples"
peakObj <- merge_molform_intensity(
dir_path = dir_path,
output_molform_intensity = output_molform_intensity,
output_molform_elements = output_molform_elements,
output_filtered_samples_dir = output_filtered_samples_dir
)
library(tidyr)
library(ubynet)
# 不考虑intensity的变化，根据MolForm进行分析
classify_MolForm("inflow.csv", "outflow.csv", "classified_results_formul.csv")
# 不考虑intensity的变化，根据Mass进行分析
classify_Mass("inflow.csv", "outflow.csv", "classified_results_Mass.csv")
# 考虑intensity的变化，根据MolForm进行分析
classify_MolForm_intensity("inflow.csv", "outflow.csv", "classified_results_formul_intensity.csv")
# 考虑intensity的变化，根据Mass进行分析
classify_Mass_intensity("inflow.csv", "outflow.csv", "classified_results_Mass_intensity.csv")
首先根据强度变化识别前体（显著降低）和产物（显著增加或新出现）。 分子式层级：对每个前体分子，加上预定义的元素变化量（数据库中的 reaction delta）生成理论产物分子式，然后与观测到的产物进行匹配。 Mass 层级：使用质量差匹配前体和产物峰。对每个前体，计算预期产物质量 = 前体质量 + 反应 Δmass，然后在指定容差范围内搜索匹配。
主要改动包括：
- 会重新解析分子式，如果分子式和后面的元素并不匹配，会导出分子式和元素不匹配的行
- 对分子数据统一进行元素列标准化处理（C, H, O, N, S, Cl, Br, P, I），缺失元素自动补 0；
- 重写 match_reactions_by_intensity 函数，基于严格的元素守恒原则进行反应匹配；
- 减少因元素缺失或不一致导致的模糊反应匹配结果。
- 反应从“部分约束”变成了“全元素严格约束”，比如-O2，只有其他元素不变仅仅只有O去掉2个才会纳入反应
library(tidyr)
library(ubynet)
match_res <- match_reactions_by_intensity(
file1 = "inflow.csv",
file2 = "outflow.csv",
reaction_delta_file = "reaction_delta.csv",
out_dir = "results"
)library(tidyr)
library(ubynet)
match_res2 <- match_reactions_by_mass_difference(
file1 = "inflow.csv",
file2 = "outflow.csv",
reaction_delta_file = "reaction_delta.csv",
out_dir = "results",
mass_tolerance = 0.005 #设置容差
)
library(tidyr)
library(ubynet)
edges <- build_mass_pmd_network(
mol_file = "inflow.csv",
trans_file = "Transformation_Database_07-2020.csv",
error_term = 0.00001,
output_dir = "MS_MolInfor1"
)
library(tidyr)
library(ubynet)
# 1. 这里要使用「1. 合并质量-强度数据」来进行分析，因为主要是调用的mass进行的差值
data <- read.csv("mass_int.csv", row.names = 1, check.names = FALSE)
mol <- read.csv("mass_el.csv", row.names = 1, check.names = FALSE)
trans_db <- read.csv("Transformation_Database_07-2020.csv")
# 2. 行名转为数值并保证一致
rownames(data) <- as.numeric(rownames(data))
rownames(mol) <- as.numeric(rownames(mol))
common_peaks <- intersect(rownames(data), rownames(mol))
data <- data[common_peaks, , drop = FALSE]
mol <- mol[common_peaks, , drop = FALSE]
# 3. 转换为二进制（存在即为1）
data[data > 0] <- 1
# 4. 运行完整分析（包括转化检测和树构建）
result <- complete_transformation_analysis(
data = data,
mol = mol,
trans_db = trans_db,
sample_name = "data1", # 输出文件前缀
clustering_method = "average",
build_tree = TRUE
)
library(tidyr)
library(ubynet)
# 尽可能的每一个样本中计算这些指数，列名一定要一致
# 指数信息："C", "H", "O", "N", "S", "P", "DBE", "AI_Mod", "kdefect"
# 比例信息："OtoC_ratio", "HtoC_ratio", "NtoC_ratio", "PtoC_ratio", "NtoP_ratio"
res <- build_molecular_dendrogram(
mol_file = "mass_el.csv",
sample_name = "data1",
clustering_method = "average"
)
library(tidyr)
library(ubynet)
result <- build_weighted_dendrogram(
mol_file = "mass_el.csv",
peak2peak_file = "data1_peak.csv",
numtrans_file = "data1_trans.csv",
sample_name = "data1"
)
result <- calculate_car_matrix(
csv_file = "merged_molform_elements.csv",
db_path = "FTICR_CAR_smart.db",
car_min = 0.45,
car_max = 1.0,
track_direction = FALSE, # 关闭方向追踪，使用绝对值
small_molecules = c("C", "O", "CH2", "H2O", "CO", "O2", "CO2", "NH3", "NH"),
export_top = TRUE,
top_n = 50,
top_output_file = "Top50_formula.csv",
export_all_summary = TRUE,
all_summary_file = "Complete_All_Formulas.csv",
verbose = TRUE
)
# 查看统计信息
print(result$stats)
# 运行分析
result <- batch_car_analysis(
sample_folder = "path/to/samples",
db_output_folder = "path/to/databases",
edge_output_folder = "path/to/edges",
top50_file = "Top50_formula.csv",
car_min = 0.45,
car_max = 1.0
)- 功能：合并质量与强度数据，生成统一的质量-强度表。
- 输入：CSV 文件目录
- 输出：合并后的 mass-intensity 数据表 + 元数据
- 功能：合并分子式与强度数据。
- 输入：CSV 文件目录
- 输出：合并后的 molform-intensity 数据表 + 元数据
- 功能：基于两个样本的强度变化 + 分子式变化，匹配潜在反应。
- 输入：两个 CSV 文件 + 反应定义表
- 输出：反应网络边表、反应统计摘要
- 功能：基于质量差匹配反应考虑+两个样本的强度变化。
- 输入：两个 CSV 文件 + 反应定义表
- 输出：反应网络边表、反应统计摘要
- 功能：基于分子信息文件和反应数据库，构建成对质量差 (PMD) 分子转化网络。
- 输入：
mol_file：分子信息文件 (CSV)，需包含分子式和质量信息trans_file：反应数据库文件 (CSV)，需包含reaction和mass_difference列error_term：质量差匹配容差 (默认 1e-5 Da)output_dir：结果输出目录
- 输出：
- 在
output_dir中生成 PMD 网络边表与相关结果文件 - 返回构建好的网络边表
- 在
-
功能：完整的生化转化分析流程。基于输入的峰值矩阵、分子信息和转化数据库，检测可能的分子间转化关系，并可选择性地构建系统发育树。
-
输入：
data：数据矩阵 (CSV)，行为峰值，列为样本；值可为强度或二进制 (存在=1)mol：分子信息矩阵 (CSV)，行名需与data保持一致，通常包含质量或分子式信息trans_db：转化数据库文件 (CSV)，需包含Name和Mass两列error_term：质量差匹配容差 (默认 1e-5 Da)output_dir：结果输出目录 (默认当前工作目录)sample_name：输出文件名前缀 (默认"Dataset")clustering_method：层次聚类方法，用于系统树构建 (默认"average")build_tree：是否基于转化结果构建系统发育树 (默认TRUE)
-
输出：
-
在
output_dir中生成：*_All-Trans_peak.2.peak.csv：检测到的峰对及对应的转化关系*_All-Trans_num.peak.trans.csv：每个峰涉及的转化次数*_TD_UPGMA.tre：若build_tree=TRUE，输出系统发育树 (可在 FigTree/iTOL 打开)
-
返回一个包含以下内容的列表：
transformations：转化检测结果 (峰对与峰统计信息)tree_analysis：系统发育树与网络信息 (若build_tree=TRUE)sample_name：数据集名称parameters：运行参数 (误差、聚类方法等)
-