Next‐generation sequencing technologies have generated, and continue to produce, an increasingly large corpus of biological data. The data generated are inherently compositional as they convey only relative information dependent upon the capacity of the instrument, experimental design and technical bias. There is considerable information to be gained through network analysis by studying the interactions between components within a system. Network theory methods using compositional data are powerful approaches for quantifying relationships between biological components and their relevance to phenotype, environmental conditions or other external variables. However, many of the statistical assumptions used for network analysis are not designed for compositional data and can bias downstream results. In this mini‐review, we illustrate the utility of network theory in biological systems and investigate modern techniques while introducing researchers to frameworks for implementation. We overview (1) compositional data analysis, (2) data transformations and (3) network theory along with insight on a battery of network types including static‐, temporal‐, sample‐specific‐ and differential‐networks. The intention of this mini‐review is not to provide a comprehensive overview of network methods, rather to introduce microbiology researchers to (semi)‐unsupervised data‐driven approaches for inferring latent structures that may give insight into biological phenomena or abstract mechanics of complex systems.

中文翻译：

---

加权关联网络在生物学组成数据中的应用。

下一代测序技术已经产生并继续产生越来越大的生物数据语料库。生成的数据本质上是组成性的，因为它们仅传达相对信息，这取决于仪器的性能，实验设计和技术偏见。通过研究系统内组件之间的交互，可以通过网络分析获得大量信息。使用成分数据的网络理论方法是量化生物成分之间的关​​系及其与表型，环境条件或其他外部变量的相关性的有效方法。但是，用于网络分析的许多统计假设并非针对成分数据而设计的，并且可能会使下游结果产生偏差。在此迷你评论中，我们说明了网络理论在生物系统中的作用，并在向研究人员介绍实施框架的同时研究了现代技术。我们概述（1）成分数据分析，（2）数据转换和（3）网络理论，以及对包括静态，时间，样本特定和差分网络在内的一系列网络类型的见解。这次迷你审查的目的不是提供网络方法的全面概述，而是向微生物学研究人员介绍（半）无监督数据驱动的方法，以推断可能提供对复杂系统的生物学现象或抽象力学的见解的潜在结构。 。我们概述（1）成分数据分析，（2）数据转换和（3）网络理论，以及对包括静态，时间，样本特定和差分网络在内的一系列网络类型的见解。这次迷你审查的目的不是提供网络方法的全面概述，而是向微生物学研究人员介绍（半）无监督数据驱动的方法，以推断可能提供对复杂系统的生物现象或抽象力学的见解的潜在结构。 。我们概述（1）成分数据分析，（2）数据转换和（3）网络理论，以及对包括静态，时间，样本特定和差分网络在内的一系列网络类型的见解。这次迷你审查的目的不是提供网络方法的全面概述，而是向微生物学研究人员介绍（半）无监督数据驱动的方法，以推断可能提供对复杂系统的生物现象或抽象力学的见解的潜在结构。 。