使用KEGG富集分析结果绘制富集圈图，其中第一圈为对应的富集通路，第二圈为富集的基因数目和富集p值，第三圈为上下调基因的个数，第四圈为富集因子(富集使用的实际基因数/该通路中的基因数)

使用GO富集分析结果绘制富集圈图，其中第一圈为对应的富集通路，第二圈为富集的基因数目和富集p值，第三圈为上下调基因的个数，第四圈为富集因子(富集使用的实际基因数/该通路中的基因数)

可以通过小提琴图与箱线图叠加,查看组间是否显著。

饼图联合柱状图工具用于对分类数据进行可视化分析，生成对应的饼图和柱状图，展示各类别的数量分布和比例信息。

对上传的代谢物峰面积表格进行预处理，包含缺失值过滤、填充、特征过滤、行标准化、数据变换、数据缩放步骤

本工具用于绘制多变量之间两两相关性的散点矩阵图，结合散点图与相关系数展示变量间的关系特征，便于快速发现变量之间的线性或非线性关系。

可以清晰地展示大量数据点的变化幅度,显著性水平以及VIP值,适用于代谢组。

上传样本与特征矩阵，根据特征对样本进行聚类，并绘制聚类树图

偏最小二乘判别分析（PLSDA）是一种有监督的分类统计方法，利用偏最小二乘回归构建变量与样品类别间的预测模型，通过提取关键成分来实现对样品类别的预测。

根据Value来设置上下调，并绘制双向柱状图

RSD 分布图通过绘制累积分布函数（CDF）来展示 RSD 值的分布情况。这种图形能够帮助我们直观地了解样本中 RSD 值的分布趋势，识别出高 RSD 值的异常值，从而为数据质量评估提供依据。

相关性网络图通过节点和边连接展示变量间的相关性，节点代表变量，边表示它们之间的相关关系，直观呈现数据中变量间的相互作用和模式。

相关性热图通过颜色深浅直观展示变量之间的相关性强弱，常用于揭示多变量数据中的关系模式和聚类结构。

相关性和弦图通过弦线连接变量，直观展示它们之间的相关性强度和方向，常用于多变量数据的关系可视化。

正交偏最小二乘判别分析（OPLS-DA）是一种有监督的判别分析统计方法。该方法运用偏最小二乘回归建立表达量与样品类别之间的关系模型，来实现对样品类别的预测。

对上传样本-特征矩阵进行相关性分析，获取相关性系数和相关性系数显著性，并根据阈值筛选显著相关的关系。

通过将代谢物log2FC数据映射到对应通路中，可以直观地观察代谢物的变化在通路中的映射结果

通过对上传代谢物集合获取KEGG注释信息，分析代谢物富集到的KEGG通路

上传一个包含要查询对象列的xlsx表，返回HMDB数据库中对应的化合物信息

含有差异分析且差异对象能够互相映射的两个组学数据基于log2FC值的关联分析

提供模式物种的Ensembl GeneID、Entrez GeneID、Symbol相互转换功能

批量获取KO编号对应的基因名称

批量获取CO编号对应的物质名称

批量获取KEGG通路ID所涉及的CO编号，或批量获取CO编号所参与的KEGG通路ID

批量获取KEGG通路ID所涉及的KO编号，或批量获取KO编号所参与的KEGG通路ID

批量获取通路名称对应的通路编号，或批量获取通路编号对应的通路名称

根据两表的共有列合并表格

即时响应式的韦恩图

对上传的化合物进行鉴定，获取化合物对应的分类信息并绘制饼图展示

上传一个包含要查询对象列的xlsx表，返回PubChem数据库中对应的化合物信息

获取上传基因集合的富集到的代谢通路信息。

用于描述研究群体的生存时间，能够直观地评估不同因素或治疗对生存率的影响

DESeq2用于进行差异表达分析，通过模型化基因表达数据的负二项分布，评估基因的表达变化。

将代谢组学中常见的原始数据格式进行格式转换

对上传的蛋白或核酸的fasta序列进行KOG注释并绘图

对上传的蛋白或核酸的fasta序列进行COG数据库注释并绘图

对上传的蛋白或核酸的fasta序列进行PFAM数据库注释,获取结构域信息

对上传的蛋白或核酸的fasta序列进行KEGG数注释,获得KO功能注释信息

对上传的蛋白或核酸的fasta序列进行GO数据库注释,获得功能注释信息

对上传的蛋白或核酸的fasta序列进行Reactome数据库注释

对上传的蛋白或核酸的fasta序列进行NT（非冗余核酸库）注释

时间序列分析用于分析基因表达数据，研究基因如何在不同时间点响应环境变化或生物过程。

对上传的蛋白或核酸的fasta序列进行NR（非冗余蛋白库）注释

MSP文件(Mass Spectral Library File，即质谱图谱库文件)提取转换为EXCEL表格

通过对上传基因集合获取GO注释信息，分析基因富集到的GO条目

是一种不同类别高维数据的可视化方法，常用于一些分类问题及回归问题中。

通过颜色差异来表示数值大小，常用于展示变量之间的相关性。

通过扇形的角度和半径来表示数据的大小和分布，展示多个类别数据的比较。

可以清晰地展示大量数据点的变化幅度和显著性水平。

通过交叉的圆来表示集合及其交集，直观地展示元素之间的关系和相互作用。

通过曲线的高度来表示数据的密度。

通过点的分布来表示数据多个类别的集中趋势和离散程度。

通过线条和圆点来表示数据的大小和顺序，常用于展示和比较多个类别的数值。

通过连接的数据点来表示数值的变化趋势，常用于展示时间序列数据。

通过分布的点来表示数据的位置和数量，常用于展示多个类别或者多个变量的数据分布。

通过水平或垂直的点来表示数值大小，常用于展示多个类别的数值比较。

通过点的分布来表示数据的分布和离散程度，常用于展示数据集的统计特性。

通过颜色和长度的变化来表示数据的大小和分布，常用于展示多个变量的相关性和比较。

通过填充颜色的区域来表示数值的大小和变化趋势，展示多个类别的累积效果。

用于比较不同类别的数值，通过柱子的高度来表示数据的大小。

通过水平或垂直的条带来表示数据的分布和集中趋势，展示多个类别的数据分布。

通过环形的区域和颜色来表示数据的比例，常用于展示各类别占总体的比例。

通过散点的分布来表示数据的关系，同时在边缘展示各变量的分布情况。

通过线条的长度和方向来表示数据的偏差程度，常用于展示数据与基准值之间的差异。

通过线条的长度来表示数据的变化范围，通过线条的长度来表示数据的误差大小。

通过散点和拟合线来表示变量之间的关系，常用于展示两个变量之间的相关性和趋势。

通过形状和颜色的变化来表示数据的分布和密度，常用于展示单个或多个变量的数据分布。

用于展示集合的交集和并集，特别适用于比较大量集合的重叠情况。

通过多边形的形状和大小来表示数据的大小。

MA图通过M（比值）和A（强度）两个参数来展示基因表达的变化。

通过文字的大小和颜色来表示数据的频数或重要性。

条形图是一种数据可视化方法，通过条形的长度来表示数值大小，展示数量对比。

通过点的位置来表示两个变量的值，表示数据的大小。

通过扇形的大小和颜色来表示数据的比例。

通过矩形的高度来表示数据的频数或密度，常用于展示单个变量的分布情况。

通过箱子的大小和线条的长度来表示数据的大小和变化范围，常用于展示变量的数据分布。

结合了箱线图和密度图的特点，用于展示和比较数据的分布及其概率密度。

通过流动的线条展示数据的流动和转换过程，揭示不同类别之间的关联性和转换比例。

用于比较多组数据的中位数、四分位数和异常值，常用于统计检验。

用于比较多组数据的平均值和标准差，常用于多组样本的统计检验。

用于展示一组数据的累积分布，可以清晰地看出数据的分布情况和趋势。