背景:（1）疾病关于时间的研究往往是比较复杂且难以有系统全面的方法。分析基因共表达的时间变化有助于理解基因调控的复杂机制。（2）GSA方法各有千秋,如何选择正确的GSA方法和简便地使用以代码形式的GSA方法,促使我们利用以代码形式存在且能适应不同条件的GSA方法,开发出图形界面,以提高研究人员的基因集分析的效率。目的:（1）使用neo4j和shiny创建一个平台,用于时间序列的基因共表达网络研究。我们试图以COPD的数据集为例,创建一个shiny app为研究人员快捷查询到基因共表达情况的时间变化,以期望能够找到疾病发生发展中的关键基因和基因共表达调控模式。（2）构建一个Galaxy-GSA平台,将以R代码形式存在的不同GSA方法封装成Galaxy工具,方便研究人员使用和重复其结果。方法:（1）利用WGCNA方法对COPD时间序列的数据集GSE108134构建基因共表达网络,将基因和KEGG通路、GO术语关联,然后将基因表达网络导入到neo4j数据库中,最后使用shiny包创建可视化的shiny app,并利用该app对COPD的基因共表达网络进行分析。这个shiny app主要有三个页面:Genes Relationships in KEGG Pathway/GO Term、Genes Neighborhoods Relationships和Alluvial Diagram。（2）首先安装Galaxy,然后选择适用于Galaxy环境的GSA方法。之后为这些GSA方法创建Galaxy XML文件和编辑R脚本代码。最后,将这些工具发布到Tool shed网站,并建立Galaxy-GSA平台。结果:（1）以COPD数据集为例,利用WGCNA方法,我们已经创建出一个shiny app,可以在不同条件下查看COPD的基因共表达情况,并且关联了KEGG和GO,可以快速地描绘出不同条件下基因-KEGG、基因-GO、基因-基因三者之间的动态图。分析COPD数据集,我们发现,IL1β在不同时间点都会与CCR1、ILRN、PLAUR、PROK2、CXCR2、SRGN、FPR1、S100A9等基因共表达,且IL1β与多个KEGG通路、GO术语有关,在COPD的基因共表达中有关键作用。与健康非抽烟者和健康抽烟者不同,COPD抽烟者的基因共表达网络集中在G蛋白偶联受体信号通路、炎症反应、信号转导等生物学过程。（2）我们已经创建了一个包含GSA工具的Galaxy-GSA平台,并为之新建了7个适应不同条件的GSA工具。这些工具可以在Galaxy平台上利用图形界面进行基因集分析。比如:Reactome PA是利用超几何模型对一组Entrez基因来富集分析Reactome的通路,GSVA计算单个样本特异性富集统计量,生成通路-样本的矩阵,Chip Enrich和Methyl GSA是分别专门针对Chip-Seq数据和甲基化数据的GSA方法。我们已经测试了Reactome PA、SPIA、GSVA、chipenrich、methyl GSA、GSAR和mogsa工具,并将这些工具发布在Galaxy tool shed,以方便Galaxy管理人员安装,为更多研究人员提供GSA便利。结论:（1）COPD数据集的分析案例说明我们的shiny app在分析基因共表达网络的策略是可行的,以此为基础,我们将开发一个平台,使用户只需要输入基因的表达数据就可以利用这样的app进行基因共表达的深度分析。（2）GSA方法种类繁多且各有优缺点。对于一些已经广泛应用但对不会编程的科研人员并不友好的GSA方法,我们已经创建了Galaxy-GSA系列工具,发布Galaxy GSA平台,为其提供图形用户界面,以便能够更多人选择适合的GSA方法。