Computational Network Analysis with R

Applications in Biology Medicine and

Chemistry 1st Edition Matthias Dehmer
Visit to download the full and correct content document:
https://textbookfull.com/product/computational-network-analysis-with-r-applications-in-
biology-medicine-and-chemistry-1st-edition-matthias-dehmer/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Mathematical Foundations and Applications of Graph

Entropy 1st Edition Matthias Dehmer

https://textbookfull.com/product/mathematical-foundations-and-
applications-of-graph-entropy-1st-edition-matthias-dehmer/

Mathematical Foundations and Applications of Graph

Entropy 1st Edition Matthias Dehmer

https://textbookfull.com/product/mathematical-foundations-and-
applications-of-graph-entropy-1st-edition-matthias-dehmer-2/

Frontiers In Data Science Matthias Dehmer

https://textbookfull.com/product/frontiers-in-data-science-
matthias-dehmer/

Frontiers in Data Science 1st Edition Matthias Dehmer

https://textbookfull.com/product/frontiers-in-data-science-1st-
edition-matthias-dehmer/
Analyzing Network Data in Biology and Medicine An
Interdisciplinary Textbook for Biological Medical and
Computational Scientists 1st Edition Nataša Pržulj
(Editor)
https://textbookfull.com/product/analyzing-network-data-in-
biology-and-medicine-an-interdisciplinary-textbook-for-
biological-medical-and-computational-scientists-1st-edition-
natasa-przulj-editor/

Spatial analysis with R: statistics, visualization, and

computational methods Second Edition Oyana

https://textbookfull.com/product/spatial-analysis-with-r-
statistics-visualization-and-computational-methods-second-
edition-oyana/

Computational Chemistry Methodology in Structural

Biology and Materials Sciences 1st Edition Tanmoy
Chakraborty

https://textbookfull.com/product/computational-chemistry-
methodology-in-structural-biology-and-materials-sciences-1st-
edition-tanmoy-chakraborty/

Emerging trends in applications and infrastructures for

computational biology, bioinformatics, and systems
biology : systems and applications 1st Edition Arabnia

https://textbookfull.com/product/emerging-trends-in-applications-
and-infrastructures-for-computational-biology-bioinformatics-and-
systems-biology-systems-and-applications-1st-edition-arabnia/

Computational methods for numerical analysis with R 1st

Edition James Patrick Howard Ii

https://textbookfull.com/product/computational-methods-for-
numerical-analysis-with-r-1st-edition-james-patrick-howard-ii/
 Edited by
Matthias Dehmer, Yongtang Shi, and
Frank Emmert-Streib

Computational Network Analysis with R

www.ebook3000.com
“Quantitative and Network Biology”
Series editors M. Dehmer and F. Emmert-Streib

Advisory Board:
Albert-László Barabási
Northeastern University & Harvard Medical School, USA

Douglas Lauffenburger
Massachusetts Institute of Technology, USA

Satoru Miyano
University of Tokyo, Japan

Ilya Shmulevich
Institute for Systems Biology & University of Washington, USA

Previous Volumes of this Series:

Volume 1 Volume 3
Dehmer, M., Emmert-Streib, F., Graber, A., Emmert-Streib, F., Dehmer, M. (eds.)
Salvador, A. (eds.)
Statistical Diagnostics for
Applied Statistics for Network Cancer
Biology Analyzing High-Dimensional Data
Methods in Systems Biology
2013
2011 ISBN: 978-3-527-32434-7
ISBN: 978-3-527-32750-8
Volume 4
Volume 2 Emmert-Streib, F., Dehmer, M. (eds.)
Dehmer, M., Varmuza, K., Bonchev, D. (eds.)
Advances in Network
Statistical Modelling of Complexity
Molecular Descriptors in
2013
QSAR/QSPR
ISBN: 978-3-527-33291-5
2012
ISBN: 978-3-527-32434-7

www.ebook3000.com
Volume 5 Volume 7
Dehmer, M., Emmert-Streib, F., Dehmer, M., Shi, Y., Emmert-Streib, F.
Pickl, S. (eds.)
Computational Network
Computational Network Analysis with R
Theory Applications in Biology, Medicine and
Chemistry
2015
978-3-527-33724-8 2016
ISBN: 978-3-527-33958-7
Volume 6
Dehmer, M., Chen, Z., Li, X., Shi, Y.,
Emmert-Streib, F.

Mathematical Foundations
and Applications of Graph
Entropy
2016
ISBN: 978-3-527-33909-9

www.ebook3000.com
Quantitative and Network Biology
Series editors M. Dehmer and F. Emmert-Streib
Volume 7

Computational Network Analysis with R

Applications in Biology, Medicine, and Chemistry

Edited by
Matthias Dehmer, Yongtang Shi, and Frank Emmert-Streib

www.ebook3000.com
The Editors All books published by Wiley-VCH are
carefully produced. Nevertheless, authors,
Prof. Matthias Dehmer editors, and publisher do not warrant the
UMIT –The Health and Life Sciences information contained in these books,
University including this book, to be free of errors.
Eduard Wallnoefer Zentrum 1 Readers are advised to keep in mind that
6060 Hall statements, data, illustrations, procedural
Austria details or other items may inadvertently
be inaccurate.
and
Library of Congress Card No.: applied for
Nankai University
College of Computer and Control British Library Cataloguing-in-Publication
Engineering Data
300071 Tianjin A catalogue record for this book is avail-
P.R. China able from the British Library.

Prof. Yongtang Shi Bibliographic information published by

Nankai University the Deutsche Nationalbibliothek
Center for Combinatorics The Deutsche Nationalbibliothek
No. 94 Weijin Road lists this publication in the Deutsche
300071 Tianjin Nationalbibliografie; detailed
China bibliographic data are available on the
Internet at <http://dnb.d-nb.de>.
Prof. Frank Emmert-Streib
Tampere University of Technology
© 2017 Wiley-VCH Verlag GmbH & Co.
Predictive Medicine and Analytics Lab
KGaA, Boschstr. 12, 69469 Weinheim,
Department of Signal Processing
Germany
Tampere
Finland
All rights reserved (including those of
translation into other languages). No part
Cover
of this book may be reproduced in any
Andrey Prokhorov/iStock (Background
form – by photoprinting, microfilm, or
Picture)
any other means – nor transmitted or
translated into a machine language
without written permission from the
publishers. Registered names, trademarks,
etc. used in this book, even when not
specifically marked as such, are not to be
considered unprotected by law.

Print ISBN: 978-3-527-33958-7

ePDF ISBN: 978-3-527-69440-2
ePub ISBN: 978-3-527-69437-2
Mobi ISBN: 978-3-527-69438-9
oBook ISBN: 978-3-527-69436-5

Typesetting SPi Global, Chennai, India

Printed on acid-free paper

www.ebook3000.com
 VII

Contents

List of Contributors XV

1 Using the DiffCorr Package to Analyze and Visualize Differential

Correlations in Biological Networks 1
Atsushi Fukushima and Kozo Nishida
1.1 Introduction 1
1.1.1 An Introduction to Omics and Systems Biology 1
1.1.2 Correlation Networks in Omics and Systems Biology 1
1.1.3 Network Modules and Differential Network Approaches 2
1.1.4 Aims of this Chapter 4
1.2 What is DiffCorr? 4
1.2.1 Background 4
1.2.2 Methods 5
1.2.3 Main Functions in DiffCorr 5
1.2.4 Installing the DiffCorr Package 6
1.3 Constructing Co-Expression (Correlation) Networks from Omics
Data – Transcriptome Data set 8
1.3.1 Downloading the Transcriptome Data set 8
1.3.2 Data Filtering 9
1.3.3 Calculation of the Correlation and Visualization of Correlation
Networks 11
1.3.4 Graph Clustering 15
1.3.5 Gene Ontology Enrichment Analysis 17
1.4 Differential Correlation Analysis by DiffCorr Package 21
1.4.1 Calculation of Differential Co-Expression between Organs in
Arabidopsis 21
1.4.2 Exploring the Metabolome Data of Flavonoid-Deficient
Arabidopsis 26
1.4.3 Avoiding Pitfalls in (Differential) Correlation Analysis 29
1.5 Conclusion 30
Acknowledgments 30
Conflicts of Interest 30
References 30

www.ebook3000.com
VIII Contents

2 Analytical Models and Methods for Anomaly Detection in Dynamic,

Attributed Graphs 35
Benjamin A. Miller, Nicholas Arcolano, Stephen Kelley, and Nadya T. Bliss
2.1 Introduction 35
2.2 Chapter Definitions and Notation 36
2.3 Anomaly Detection in Graph Data 37
2.3.1 Neighborhood-Based Techniques 37
2.3.2 Frequent Subgraph Techniques 38
2.3.3 Anomalies in Random Graphs 39
2.4 Random Graph Models 41
2.4.1 Models with Attributes 41
2.4.2 Dynamic Graph Models 43
2.5 Spectral Subgraph Detection in Dynamic, Attributed Graphs 44
2.5.1 Problem Model 44
2.5.2 Filter Optimization 46
2.5.3 Residuals Analysis in Attributed Graphs 47
2.6 Implementation in R 50
2.7 Demonstration in Random Synthetic Backgrounds 51
2.8 Data Analysis Example 55
2.9 Summary 58
Acknowledgments 58
References 59

3 Bayesian Computational Algorithms for Social Network Analysis 63

Alberto Caimo and Isabella Gollini
3.1 Introduction 63
3.2 Social Networks as Random Graphs 64
3.3 Statistical Modeling Approaches to Social Network Analysis 64
3.3.1 Exponential Random Graph Models (ERGMs) 65
3.3.2 Latent Space Models (LSMs) 65
3.4 Bayesian Inference for Social Network Models 66
3.4.1 R-Based Software Tools 67
3.5 Data 67
3.5.1 Bayesian Inference for Exponential Random Graph Models 68
3.5.2 Bayesian Inference for Latent Space Models 71
3.5.3 Predictive Goodness-of-Fit (GoF) Diagnostics 76
3.6 Conclusions 80
References 81

4 Threshold Degradation in R Using iDEMO 83

Chien-Yu Peng and Ya-Shan Cheng
4.1 Introduction 83
4.2 Statistical Overview: Degradation Models 85
4.2.1 Wiener Degradation-Based Process 85
4.2.1.1 Lifetime Information 86

www.ebook3000.com
 Contents IX

4.2.1.2 Log-Likelihood Function 87

4.2.2 Gamma Degradation-Based Process 88
4.2.2.1 Lifetime Information 88
4.2.2.2 Log-Likelihood Function 89
4.2.3 Inverse Gaussian Degradation-Based Process 89
4.2.3.1 Lifetime Distribution 90
4.2.3.2 Log-Likelihood Function 91
4.2.4 Model Selection Criteria 91
4.2.5 Choice of Λ(t) 91
4.2.6 Threshold Degradation 92
4.3 iDEMO Interface and Functions 92
4.3.1 Overview of the Package iDEMO Functionality 93
4.3.2 Data Input Format 93
4.3.3 Starting the iDEMO 93
4.3.3.1 Import Data 94
4.3.3.2 Basic Information 95
4.3.3.3 Degradation Model Selection 96
4.3.4 Single Degradation Model Analysis 96
4.3.4.1 Parameter Estimation 97
4.3.4.2 Lifetime Information 98
4.3.5 Odds and Ends 101
4.3.6 Computational Details 101
4.4 Case Applications 101
4.4.1 Laser Example 102
4.4.2 Fatigue Example 106
4.4.3 ADT Example 112
4.5 Concluding Remarks 122
References 122

5 Optimization of Stratified Sampling with the R Package

SamplingStrata: Applications to Network Data 125
Marco Ballin and Giulio Barcaroli
5.1 Networks and Stratified Sampling 125
5.2 The R Package SamplingStrata 126
5.2.1 General Setting 126
5.2.2 A General Procedure for the Optimization of Strata in
a Frame 130
5.2.3 An Example 132
5.3 Application to Networks 139
5.3.1 Use of Networks as Frames 139
5.3.2 Sampling Massive Networks 145
5.4 Conclusions 149
References 149

www.ebook3000.com
X Contents

6 Exploring the Role of Small Molecules in Biological Systems Using

Network Approaches 151
Rajarshi Guha and Sourav Das
6.1 The Role of Networks in Drug Discovery 152
6.2 R for Network Analyses 153
6.3 Linking Small Molecules to Targets, Pathways, and Diseases 154
6.3.1 Drug–Target Networks 154
6.3.2 Disease Networks 155
6.3.3 SAR Networks 156
6.3.4 Assay Networks 157
6.3.5 Scaffold Networks 158
6.3.6 Scaffold-Document Networks 159
6.4 R as a Platform for Network Analyses in Drug Discovery 162
6.5 Discussion 165
Acknowledgments 165
References 166

7 Performing Network Alignments with R 173

Qiang Huang and Ling-Yun Wu
7.1 Introduction 173
7.2 Problems, Models, and Algorithms 175
7.2.1 Problems 176
7.2.1.1 Pairwise Network Alignment 176
7.2.1.2 Network Querying 178
7.2.1.3 Multiple Network Alignment 179
7.2.2 Models and Algorithms 180
7.2.3 Comparison and Challenges 180
7.2.3.1 NQ Versus PNA 180
7.2.3.2 PNA Versus MNA 182
7.2.3.3 Challenges 182
7.3 Algorithms Based on Conditional Random Fields 183
7.3.1 CNetQ for Network Querying 183
7.3.1.1 General Framework 183
7.3.1.2 Feature Function 185
7.3.1.3 Gap Penalty 185
7.3.1.4 Network Simplification 186
7.3.1.5 Real Examples 186
7.3.2 CNetA for Pairwise Network Alignment 186
7.3.2.1 Iterative Bidirectional Mapping Strategy 187
7.3.2.2 Simulated Data 188
7.3.2.3 Comparison 188
7.3.2.4 Evaluation Measures 189
7.3.3 CNetMA for Multiple Network Alignment 189
7.3.3.1 Græmlin 189
7.3.3.2 IsoRank 190

www.ebook3000.com
 Contents XI

7.3.3.3 MNA Examples 190

7.3.3.4 CNetMA 191
7.4 Performing Network Alignments with R 193
7.4.1 Installation 193
7.4.1.1 CRF Package 193
7.4.1.2 Corbi Package 193
7.4.2 Usage 193
7.4.2.1 Input File Format 194
7.4.2.2 Output File Format 194
7.4.2.3 Arguments 194
7.4.3 Examples 195
7.4.3.1 Network Querying 195
7.4.3.2 Pairwise Network Alignment 195
7.4.4 Web Services and Tool Functions 196
7.5 Discussion 196
References 197

8 𝓵1 -Penalized Methods in High-Dimensional Gaussian Markov Random

Fields 201
Luigi Augugliaro, Angelo M. Mineo, and Ernst C. Wit
8.1 Introduction 201
8.2 Graph Theory: Terminology and Basic Topological Notions 202
8.3 Probabilistic Graphical Models 203
8.4 Markov Random Field 204
8.4.1 Ising Model and Extensions 205
8.4.2 Gaussian Markov Random Fields 206
8.5 Sparse Inference in High-dimensional GMRFs 207
8.5.1 Neighborhood Selection 207
8.5.2 The R Package simone 209
8.5.3 Osteolytic Lesions Data Set: An Analysis by Neighborhood Selection
Method 210
8.5.4 Graphical Lasso Estimator 215
8.5.5 The R Package glasso: Computing the Gradient and Coefficient
Solution Path on a Simulated Data Set 217
8.5.6 Computational Aspects of the glasso Estimator: the
Block-Coordinate Descent Algorithm 223
8.5.7 Faster Computation via Exact Covariance Thresholding 225
8.5.8 Lung Cancer Microarray Data: An Analysis by glasso Estimator 227
8.5.9 The Joint Graphical Lasso 233
8.5.10 Computational Aspects of the jglasso Estimator: ADMM
Algorithm 235
8.5.11 The R Package JGL 239
8.5.12 Lung Cancer Microarray Data: An Analysis by jglasso
Estimator 241
8.5.13 Structured Graphical Lasso 243

www.ebook3000.com
XII Contents

8.5.13.1 Computational Aspects of the sglasso Estimator: Cyclic Coordinate

Algorithms 246
8.5.14 The R Package sglasso 248
8.5.15 Neisseria meningitidis Data Set: An Analysis by fglasso
Estimator 250
8.6 Selecting the Optimal Value of the Tuning Parameter 252
8.7 Summary and Conclusion 256
References 259

9 Cluster Analysis of Social Networks Using R 267

Malika Charrad
9.1 Introduction 267
9.2 Cluster Analysis in Social Networks 268
9.2.1 Social Network Data 268
9.2.1.1 The Data as a Graph 268
9.2.1.2 The Data as a Matrix 269
9.2.2 Clustering in Social Networks 269
9.3 Cluster Analysis in Social Networks Using R 270
9.3.1 R Packages for Cluster Analysis 270
9.3.2 Data Loading and Formatting 270
9.3.2.1 Removing Zero Edges 271
9.3.2.2 Coercing the Data into a Graph Object 271
9.3.2.3 Creating Social and Task Subgraphs 272
9.3.3 Agglomerative Hierarchical Clustering 274
9.3.3.1 Measuring Similarity/Dissimilarity 274
9.3.3.2 Clustering 275
9.3.3.3 Cluster Validity 276
9.3.4 Edge Betweenness Clustering Algorithm 279
9.3.5 Fast Greedy Modularity Optimization Algorithm 281
9.3.6 Walktrap Algorithm 283
9.4 Discussion and Further Readings 285
References 286

10 Inference and Analysis of Gene Regulatory Networks in R 289

Ricardo de M. Simoes, Matthias Dehmer, Constantine Mitsiades, and
Frank Emmert-Streib
10.1 Introduction 289
10.2 Multiple Myeloma 290
10.3 Installation of Required R Packages from CRAN and
Bioconductor 291
10.4 Data Preprocessing 292
10.5 Bc3net Gene Regulatory Network Inference 294
10.6 Retrieving and Generating Gene Sets for a Functional Analysis 297
10.7 Pathway and Other Gene Set Collections 298
10.7.1 Functional Enrichment Analysis of Gene Regulatory Networks 300
 Contents XIII

10.8 Conclusion 302

References 303

11 Visualization of Biological Networks Using NetBioV 307

Shailesh Tripathi, Salissou Moutari, Matthias Dehmer, and
Frank Emmert-Streib
11.1 Introduction 307
11.2 Network Visualization 310
11.3 NetBioV 313
11.3.1 Global Network Layouts 313
11.3.2 Modular Network Layout 316
11.3.3 Layered Network (Multiroot) Layout 317
11.3.4 Other Features 318
11.3.4.1 Information Flow 318
11.3.4.2 Spiral View 318
11.3.4.3 Color Schemes, Node Labeling 318
11.3.4.4 Interface to R and Customization 319
11.4 Example: Visualization of Networks Using NetBioV 319
11.4.1 Loading Library and Data 320
11.4.2 Global Layout Style 320
11.4.2.1 R Code in Figure 11.4 320
11.4.3 Modular Layout Style 322
11.4.3.1 R Code in Figure 11.5 322
11.4.4 Layered Layout Style 323
11.4.4.1 R Code in Figure 11.6 323
11.5 Conclusion 325
11.6 Appendix 326
11.6.1 R Code for the Visualization in Figures 11.2 and 11.3 326
11.7 Spiral View 329
11.7.1 Spiral Layout Style in Figure 11.7 329
References 330

Index 335
 XV

List of Contributors

Nicholas Arcolano Alberto Caimo

Censio Dublin Institute of Technology
Boston, MA 02134 School of Mathematical Sciences
USA Ireland

Luigi Augugliaro Malika Charrad

Università degli Studi di Palermo University of Manouba
Viale delle Scienze ENSI
90128 Palermo RIADI LR99ES26
Italy Campus Universitaire
Manouba 2010
Marco Ballin Tunisia
Istituto Nazionale di Statistica
via C. Balbo 16 and
00184 Roma
Italy Université de Gabes
ISIMed
Giulio Barcaroli Cité Riadh Zerig
Istituto Nazionale di Statistica Gabès 6029
via C. Balbo 16 Tunisia
00184 Roma
Italy Ya-Shan Cheng
Institute of Statistical Science
Nadya T. Bliss Academia Sinica
Arizona State University Taipei 11529
Tempe, AZ 85281 Republic of China
USA
XVI List of Contributors

Sourav Das Isabella Gollini

Department of Chemical Biology
and Therapeutics
St. Jude Children’s Research
Hospital
262 Danny Thomas Pl
Memphis, TN 38105
USA
Matthias Dehmer
UMIT –The Health and Life
Sciences University
Eduard Wallnoefer Zentrum 1
6060 Hall
Austria
and
Nankai University
College of Computer and
Control Engineering
Tianjin 300071
Republic of China
University of London
Department of Economics
Mathematics and Statistics
Birkbeck
UK
Rajarshi Guha
National Center for Advancing
Translational Sciences (NCATS)
National Institutes of Health
Division of Pre-Clinical
Innovation
6701 Democracy Boulevard
Bethesda, MD 20892-4874
USA
Qiang Huang
National Center for Mathematics
and Interdisciplinary Sciences
CAS
Beijing 100190
China

Frank Emmert-Streib and

Tampere University of
Technology Institute of Applied Mathematics
Predictive Medicine and Academy of Mathematics and
Analytics Lab Systems Science
Department of Signal Processing CAS
Tampere Beijing 100190
Finland China

Atsushi Fukushima Stephen Kelley

RIKEN Center for Sustainable Lincoln Laboratory
Resource Science Massachusetts Institute of
1-7-22 Suehirocho Technology
Tsurumi Lexington, MA 02420
Yokohama 230-0045 USA
Japan
 List of Contributors XVII

Benjamin A. Miller Ricardo de M. Simoes

Lincoln Laboratory Dana-Farber Cancer Institute
Massachusetts Institute of Medical Oncology
Technology Boston, MA
Lexington, MA 02420 USA
USA
Shailesh Tripathi
Angelo M. Mineo Tampere University of
Università degli Studi di Palermo Technology Computational
Viale delle Scienze Medicine and Statistical
90128 Palermo Learning Laboratory
Italy Department of Signal Processing
Tampere
Constantine Mitsiades Finland
Dana-Farber Cancer Institute
Medical Oncology Ernst C. Wit
Boston, MA Nijenborgh 9
USA 9747 AG Groningen
The Netherlands
Salissou Moutari
Queen’s University Belfast Ling-Yun Wu
School of Mathematics and National Center for Mathematics
Physics and Interdisciplinary Sciences
Belfast CAS
UK Beijing 100190
China
Kozo Nishida
Laboratory for Biochemical and
Simulation
RIKEN Quantitative Institute of Applied Mathematics
Biology Center Academy of Mathematics and
Osaka Systems Science
Japan CAS
Beijing 100190
Chien-Yu Peng China
Institute of Statistical Science
Academia Sinica
Taipei 11529
Republic of China
 1

1
Using the DiffCorr Package to Analyze and Visualize
Differential Correlations in Biological Networks
Atsushi Fukushima and Kozo Nishida

1.1
Introduction

1.1.1
An Introduction to Omics and Systems Biology

In this century, a high-throughput technology is being harnessed in various

applications to solve a diverse range of biological problems and to explore biolog-
ical phenomena. Next-generation sequencers (NGS) can be used for measuring
and monitoring thousands of small molecules simultaneously [1–4] and large
genomic sequences can be acquired quickly and routinely. RNA sequencing
with NGS (RNA-seq) measures nearly every transcript of cellular systems
(i.e., transcriptome) [5–7]. The term omics refers to the comprehensive analysis
of biological systems and approaches including genomics, transcriptomics, and
metabolomics that have become a promising way to inspect complex network
interactions in cellular systems. To understand the organizing principle of
cellular functions at different levels, an integrative approach with large-scale
omics data including genomics, transcriptomics, proteomics, and metabolomics,
is required [8–10]. Although it means different things to different scientists,
systems biology [11] is the study of the behavior of complex biological processes
using integrated approaches and a collection of omics-based data sets, quan-
titative measurements of the behavior of interacting cellular components, and
mathematical/computational models to predict and describe complex dynamic
behaviors.

1.1.2
Correlation Networks in Omics and Systems Biology

Molecular interactions can be expressed simply as a network by measuring associ-

ations among molecules in omics data (e.g., see [12, 13]). Typical network analysis
is based on transcriptome data sets obtained from microarray experiments and

Computational Network Analysis with R: Applications in Biology, Medicine and Chemistry, First Edition.
Edited by Matthias Dehmer, Yongtang Shi, and Frank Emmert-Streib.
© 2017 Wiley-VCH Verlag GmbH & Co. KGaA. Published 2017 by Wiley-VCH Verlag GmbH & Co. KGaA.
2 1 Using the DiffCorr Package to Analyze and Visualize Differential Correlations

RNA-seq. This is known as gene co-expression analysis (e.g., see reviews [14–17]).
Correlation relationships are special cases of association that can be measured
by correlation-based measures such as the Pearson correlation coefficient, r
(Figure 1.1a), which can range from −1 to 1, where r = 1 represents a perfect
positive linear relationship between gene expressions, while r = −1 indicates a
perfect negative relationship. While r = 0 indicates no linear relationship between
gene expressions, it does not mean that two gene expressions are statistically
independent. Calculation of the Pearson correlation coefficient is not robust
for outliers and assumes that the data are from a standard normal distribution.
On the other hand, the Spearman rank correlation coefficient is more robust
with respect to outliers; it measures a monotonic relationship between gene
expressions. If the correlation between two gene expressions exceeds a threshold,
these genes can be considered as co-expressed. Such associations can be described
as “co-expression networks” or generally as “correlation networks,” where nodes
represent genes and links between nodes represent significant correlations that
are above a given threshold. Typical co-expression network analysis is based on
the correlation coefficient between preselected gene(s) and the rest of the genes
in a data set; this is called a guide-gene approach [18]. Although a correlation does
not always indicate a causal relationship, a network approach can provide clues
about the regulatory mechanisms that underlie the biological processes, and
it has been used to characterize genes involved in plant-specialized secondary
metabolisms [14, 17, 19].

1.1.3
Network Modules and Differential Network Approaches

When assessing gene co-expression network data generated from a high-

throughput microarray system, one can visualize a giant network component
from a large number of interactions (e.g., see [20]). There are many approaches for
summarizing such large-scale networks: graph clustering [21] has been used and
differential co-expressions or differential correlations [22] have been identified by
means of network analysis using omics data. In general, graph clustering such as
Markov clustering [23] and DPClus [24] can be used for detecting co-expressed
modules or clusters in a nonbiased manner. Graph clustering is an algorithm
for efficiently extracting densely connected genes in co-expression networks.
This approach has also provided insights into transcriptional organization in
Arabidopsis thaliana (Arabidopsis) and Oryza sativa (rice) as well as Solanum
lycopersicum (tomato) [25–29]. In addition to the mean levels of abundance [the
identification of so-called “differentially expressed genes (DEGs)” between two
samples] and the detection of clustered molecules with similar profile patterns,
changes in the correlation patterns between molecules, referred to as differential
correlations, are also informative [22, 30]. Differential network approaches can
be performed by comparing two different networks, for example, normal and
disease networks (Figure 1.1b). This type of differential network strategy [31]
has been applied to animals and plants [19, 22, 30, 32]. Differential correlation
 14 1 Using the DiffCorr Package to Analyze and Visualize Differential Correlations

GSE5630
GSE5632

(a)

(b)

Figure 1.4 Correlation network visualiza-
tion with the igraph package and Cytoscape.
(a) Correlation networks with the igraph
package. Nodes are the probe sets, and
the edges mean that there are correlation
coefficients over 0.95 between the connected
nodes. We colored the nodes that are in the
degree over 20 (magenta) and those that are
not (green). (b) Correlation networks with
Cytoscape [65]. Cytoscape has functionality
to change the layout of the network interac-
tively. Here, we applied yFiles [66] “Organic”
layout to the network.
Another random document with
no related content on Scribd:
The Project Gutenberg eBook of Lord Lister
No. 0306: Een avontuur van Koning Alfonso
 This ebook is for the use of anyone anywhere in the United
States and most other parts of the world at no cost and with
almost no restrictions whatsoever. You may copy it, give it away
or re-use it under the terms of the Project Gutenberg License
included with this ebook or online at www.gutenberg.org. If you
are not located in the United States, you will have to check the
laws of the country where you are located before using this
eBook.

Title: Lord Lister No. 0306: Een avontuur van Koning Alfonso

Author: Theo von Blankensee

Felix Hageman
Kurt Matull

Release date: December 23, 2023 [eBook #72494]

Language: Dutch

Original publication: Amsterdam: Roman- Boek- en Kunsthandel,

1910

Credits: Jeroen Hellingman and the Online Distributed

Proofreading Team at https://www.pgdp.net/ for Project
Gutenberg

*** START OF THE PROJECT GUTENBERG EBOOK LORD LISTER

NO. 0306: EEN AVONTUUR VAN KONING ALFONSO ***
[Inhoud]

[1]

[Inhoud]

☞ Elke aflevering bevat een volledig verhaal. ☜

UITGAVE VAN DEN ROMAN-, BOEK- EN KUNSTHANDEL—SINGEL 236,—
AMSTERDAM.

[Inhoud]
Een Avontuur van Koning Alfonso.
HOOFDSTUK I.
 Het raadsel der schijndooden.

Omstreeks het begin van November bevatte de eerste ochtendeditie

van de „Times” een tamelijk lang bericht, hetwelk in de hoogste mate
de belangstelling der lezers opwekte.

Zie hier de onverkorte inhoud van dit stuk hetwelk onder de

„Gemengde Berichten” was geplaatst:

Het geheim van een Ziekenhuis.

Moordaanslag op een gewonde!

„Het bekende ziekenhuis in de Sloanestreet is, zooals aan onze lezers

bekend zal zijn, reeds sedert enkele dagen het tooneel geweest van
geheimzinnige voorvallen.

In den afgeloopen nacht zijn deze bekroond door een gebeurtenis, die de
gemoederen van alle bewoners van het ziekenhuis, van de directie af tot
aan de minste hulpverpleegster en alle zieken, ten zeerste heeft ontroerd.

Eenige dagen geleden werd er in het ziekenhuis een zwaargewond man

gebracht, die uit verscheidene messteken bloedde en die gevonden was
door twee late voorbijgangers, die opgaven dat zij er getuigen van waren
geweest, hoe de gewonde man overvallen werd door een paar kerels, die
echter op hun nadering de vlucht hadden genomen.

Aanstonds zal blijken, dat er van deze bewering waarschijnlijk geen woord
waar was.

Reeds den volgenden dag werd de zwaargewonde bezocht door een paar
geheimzinnige heeren, die voorgaven tot zijn naaste familie te behooren en
hem dringend wenschten te spreken.

Gedurende het korte gesprek, dat nu volgde, verzocht de gewonde, die

verklaarde Dubois te heeten, aan de hoofdverpleegster der algemeene
mannenzaal, waar hij lag, te telefoneeren naar het logement „Het Vergulde
Hert” en daar navraag te doen naar een zekere Miss Bispham. De
gewonde scheen zeer opgewonden te zijn, het smartte hem [2]blijkbaar
zeer, toen hij ten antwoord kreeg, dat deze dame niet meer in het hotel
aanwezig was.

De beide bezoekers vertrokken, maar werden in de vestibule, juist toen zij

de lift zouden verlaten, gearresteerd door een tweetal particuliere
detectives—bedriegers, zooals later blijken zal!

Want reeds in den loop van denzelfden nacht werden de twee

geheimzinnige bezoekers van Dubois in hetzelfde ziekenhuis binnen
gebracht waar hij ook lag, een hunner zelfs in de groote mannenzaal. De
chauffeur, die hen beiden en de zoogenaamde detectives naar een huis in
het noorden van de stad had gereden, was nieuwsgierig geworden, en op
de loer gaan staan. Hij had er een paar agenten bijgehaald en deze
hadden in het huis twee volkomen bewustelooze personen gevonden, die
naderhand de beide bezoekers bleken te zijn.

Men stond hier voor een raadselachtig geval en de beste geneesheeren,

de directeur van het ziekenhuis dr. Hudson en die geneesheeren
Bushgrave en Greenway begrepen niet het minste van de eigenaardige
bewusteloosheid, waarin de twee mannen verkeerden.

Men kan dus over hun blijdschap en verwondering oordeelen, toen de

befaamde Fransche psychiater Dr. Edouard Dumoulin, zich met het geval
bemoeide en dringend verzocht de beide bewusteloozen te mogen
onderzoeken.

In een vorige editie hebben wij uitvoerig melding gemaakt van deze zaak
en Dr. Dumoulin wist de beide bewusteloozen, die wel schijndood leken
onder zijn wil te brengen, gelastte hen op te staan en zich aan te kleeden
en voerde hen weg. Ongeveer een uur later bleek pas dat de beroemde
Parijsche geneesheer van de geheele zaak niets afwist en verzekerde dat
men zijn plaats had ingenomen met een doel dat hij niet begreep.

Maar nog dienzelfden avond kwam er eenig licht in de zaak, want de beide
mannen, die in hun toestand van volkomen machteloosheid in een groot
restaurant in „Temple Bar” met twee andere heeren dineerden werden op
hun aanwijzing gearresteerd en bleken twee hoogstgevaarlijke bandieten;
bekend onder de bijnamen „Big Billy” en „Bittere Pil”, naar wie de politie
van onze stad reeds geruimen tijd zocht.
Maar toen men wilde omzien naar de beide personen met wie ze waren
binnengetreden en die hen hadden laten arresteeren, waren zij spoorloos
verdwenen!

Wat de beide bandieten betreft, zij wisten zich volstrekt niet meer te
herinneren wat zij gedaan of gezegd hadden van het oogenblik af dat zij
door de gewaande detectives in een huurauto van het gasthuis waren
weggeleid,—naar zij meenden met de gevangenis als bestemming—en
toen ieder een sterke prik in den pols hadden gekregen, waarop bijna
aanstonds het bewustzijn uit hun was weggevloden, althans zij herinnerden
zich volstrekt niets meer, tot op het tijdstip, dat zij tot hun groote
verwondering in de eetzaal van het restaurant in „Temple Bar” weder tot
bewustzijn kwamen.

En toch moeten deze mannen hebben kunnen zien en hooren, zij moeten
zich hebben kunnen bewegen, maar zij deden dit slechts op bevel van een
ander!

De zaak wend intusschen hoe langer hoe geheimzinniger! Wie was de

zwaargewonde in de ziekenzaal, die zulke eigenaardige bezoeken had
gekregen? Wie was de schoone jonge vrouw met het bleeke gelaat, die
voorgaf mevrouw Dubois te heeten, en die hem enkele keeren bezocht,
steeds in gezelschap van een grijsaard met spierwit haar, die haar vader
moest zijn.

De lezers zullen het spoedig vernemen.

In den afgeloopen nacht had er in het ziekenhuis aan de Sloane Street

opnieuw een opzienbarend voorval plaats.

Omstreeks half een kwam zich een jonge verpleegster aanmelden, die
zeide, door mevrouw Dubois gezonden te zijn met het doel om haren
echtgenoot speciaal op te passen, daar zijn toestand, een overbrenging
naar een afzonderlijke kamer, onmogelijk maakte in de eerste dagen.

De hoofdverpleegster stond haar dit verzoek geredelijk toe en het jonge

meisje nam haar plaats aan het ziekbed in, en kweet zich, volgens de
getuigenis [3]van de oude dame, met groote vaardigheid van haar
verpleegsterplichten.

Om één uur werd de groote zaal geheel donker gemaakt, of althans was zij
toen slechts verlicht door de kaarslantaarns van twee surveillanten.
Dezen waren onder den invloed van de stilte van de groote zaal
ingesluimerd, toen zij plotseling werden opgeschrikt door het op luiden toon
gegeven bevel: „Handen op”.

De jonge verpleegster had een der lange linnen gordijnen voor de groote
balkonramen terzijde gerukt, een electrische zaklantaarn opgestoken en
hield nu een revolver gericht op het voorhoofd van een man die achter het
gordijn had gestaan dicht bij het bed van den gewonde Dubois en blijkbaar
zooeven door het balkonraam was binnengedrongen.

De koele luchtstroom die door dit open raam naar binnen drong en die ook
het gordijn zachtjes deed bewegen, had zijn aanwezigheid verraden.

De man werd door de beide surveillanten met behulp van een stuk van het
gordijnkoord gebonden en daarop werden zijn zakken doorzocht.

Deze bleken behalve een revolver en een kleine scherp geslepen dolk, ook
een klein houten étui te bevatten, waarin zich een vaccinatienaald bevond,
waarvan de punt gedrenkt was in een uiterst giftige stof.

De man werd natuurlijk aanstonds in arrest gesteld, maar toen men nu de

verpleegster nader wilde ondervragen, bleek ook zij verdwenen te zijn.

Maar het eigenaardigste komt nog.

Want Big Billy, Bittere Pil, zoowel als de moordenaar achter het gordijn,
inziende dat alles voor hen verloren was, en dat hun een gevangenisstraf
van tientallen jaren wachtte, brachten onder andere aan het licht, dat de
zoogenaamde Dubois niemand anders was dan een Parijsche bandiet, een
man van adellijke afkomst en een authentiek markies Raoul Beaupré de la
Sardogne geheeten.

Hij was ook niet gewond door een overval, maar in een tweegevecht met
een mededinger.

Deze opzienbarende onthulling werd spoedig bevestigd, toen uit Parijs

door de Sureté een uitvoerig signalement werd overgeseind, dat in alles
overeenstemde met het uiterlijk van den gewonde, behalve wat den baard
betreft, dien hij in Engeland waarschijnlijk aanstonds had afgeschoren.

Te Parijs heeft deze markies nog een zestal jaren gevangenisstraf te goed,
en daar hij ook hier in Londen daadwerkelijk aandeel heeft genomen aan
een paar inbraken, zoo kan men wel zeggen dat het een goede dag is voor
onze politie.

Veel werd nu ook opgehelderd. Bijvoorbeeld de identiteit van de

zoogenaamde Madame Dubois, die waarschijnlijk niemand anders was
dan een Fransche bandiete, een zekere Marthe Debussy.

Waar deze vrouw zich echter thans bevindt is niet uit te maken; zeker
logeerde zij niet langer in het „Vergulde Hert”.

En wat het bezoek van de beide naderhand bewusteloos gevonden

schurken van den markies betreft, zij kwamen hem slechts dreigen dat zijn
minnares zich in handen van hun chef bevond en dat deze haar zou
dooden indien Beaupré niet zekere geheimen van zijn eigen bende verried
en zich verbond onder eede, hun chef nooit meer te bestrijden.

Het spreekt vanzelf, dat Dubois, alias markies Beaupré nu aanstonds

onder zeer strenge bewaking is geplaatst en met groote behoedzaamheid
naar een afzonderlijk vertrok is overgebracht, speciaal voor dergelijke
gevallen bestemd, met een zwaar getralied venster, een ijzeren deur en dat
op de vijfde verdieping van het ziekenhuis gelegen is. Zoodra de bandiet
genezen is, zal hij voor zijn rechters moeten verschijnen, en daarna zijn
rechtvaardige straf ondergaan.

De man achter het gordijn, eveneens een berucht misdadiger, trachtte zijn
straf blijkbaar verminderd te krijgen door te verklaren, dat hij handelde in
opdracht van den chef zijner bende, wiens naam hij echter weigerde te
noemen, evenals trouwens „Big Billy” en „Bittere Pil”.

Hij was gekomen om Beaupré te vermoorden, en aldus den aanvoerder te

beschermen tegen zijn aanval.

En voor de rest wilde hij niets loslaten. [4]

Met dit al moeten er nog vrij wat raadsels door de politie worden opgelost.

Zoo weet zij bijvoorbeeld volstrekt niet, wie de „edele grijsaard” was, die als
vader van de zoogenaamde mevrouw Dubois optrad, noch wie de beide
detectives waren, noch wie de rol van dr. Dumoulin vervuld heeft, en
evenmin wie op zulke geniale wijze de taak van verpleegster heeft vervuld,
maar de politie heeft vermoedens. Er wordt een naam gefluisterd, dien wij
nu niet zullen herhalen, ten einde het onderzoek van de politie niet te
 bemoeilijken, maar die waarschijnlijk dezer dagen alom bekend zal zijn
gemaakt; doch als Scotland Yard er ook ditmaal niet in slaagt hem
gevangen te nemen, dan zal het wel eeuwig een raadsel blijven wat hem er
toe bewoog als beschermer op te treden voor een man als Beaupré, daar
deze zich in een halsstarrig stilzwijgen hult, en weigert eenige inlichtingen
te geven.

In ieder geval is het niet te loochenen, dat de politie, dank zij het ingrijpen
van den geheimzinnigen man, wiens naam thans nog niet genoemd wordt,
wederom vier zeer gevaarlijke bandieten in handen heeft gekregen.

[Inhoud]
HOOFDSTUK II.
 Belofte maakt schuld.

Dit bericht in de „Times” verwekte, zooals gezegd, niet weinig

opschudding, niet alleen in kringen der politie, maar onder de
geheele burgerij, die het geval dagen lang besprak, terwijl men
daarbij de zonderlingste meeningen hoorde.

Onder die burgerij mag ook gerekend worden John Raffles, de

Groote Onbekende, die in dit alles zulk een groote rol had gespeeld,
met behulp van zijn trouwen vriend Charly Brand en den braven reus
Henderson, zijn chauffeur.

De gentleman-inbreker las het stukje, terwijl hij gezeten was in de vrij

schaars gemeubelde ontvangkamer van een splinternieuw huis in
een der noordelijkste wijken van Londen, gelegen in een straat,
waarvan de aanleg nog niet lang geleden begonnen was.

Zijn hoed en zijn stok lagen naast hem, en hij was blijkbaar zooeven
pas gekomen.

Het was tien uur in den morgen, toen Raffles eenig gerucht in een
aangrenzend vertrek hoorde, en het volgende oogenblik ging de deur
open en trad er een jonge vrouw met een mooi, maar zeer bleek
gelaat, binnen, die haastig op Raffles toetrad en zeide:

—Ik vraag u verschooning als ik u heb laten wachten, mijnheer—ik

heb een zeer slechten nacht doorgebracht!

—Het is eerder aan mij om u mijn verontschuldigingen aan te bieden,

dat ik u op zulk een onbehoorlijk [5]uur kom bezoeken, Madame,
hernam Raffles, die was opgestaan.

Er lag een ernstige klank in zijn stem toen hij vervolgde:

—Gij zult begrijpen, dat ik hier op dit uur niet zou gekomen zijn,
Marthe Debussy, wanneer het geen ernstige aangelegenheid gold, gij
moet sterk zijn—er is met uw vriend, met Raoul Beaupré, iets
voorgevallen hetwelk ik wel voorzien had, maar toch onmogelijk kon
vermijden.

De jonge vrouw wankelde en moest zich aan den rand van de tafel
vastgrijpen, terwijl zij de linkerhand op het hart drukte.

Bijna toonloos vroeg zij:

—De aanslag heeft dus plaats gehad en—wat?

—Stel u gerust, mijn vriend heeft den aanslag zelf kunnen verijdelen,
maar helaas niet de gevolgen! Big Billy zoowel als de Bittere Pil en
de man die den aanslag had willen plegen, hebben uw vriend
verraden, en zijn waren naam aan de politie opgegeven. Hier—lees.

Hij stak de jonge vrouw het nummer van de „Times” toe, en zij liet
zich op een stoel neervallen, nam het blad met een automatische
beweging aan, en trachtte te lezen.

Maar reeds na de eerste regels gaf zij Raffles het blad terug en zeide
met bevende stem:

—Ik kan niet! Het warrelt mij voor de oogen. Ik smeek u! lees gij het
mij voor.

Raffles nam nu het blad en las met heldere stem het bericht voor.

De jonge vrouw had al dien tijd bewegingloos zitten luisteren, de

zwarte oogen op den zwarten vloer gevestigd, de slanke witte vingers
ineen gestrengeld—het toonbeeld der wanhoop!
Toen Raffles de voorlezing van het noodlottige bericht had beëindigd,
bleef het geruimen tijd stil in het vertrek.

In dit huis, hetwelk hij slechts een week te voren gehuurd had, had
Raffles de vrouw, wie hij zijn hulp had toegezegd, omdat zij door zijn
toedoen in dezen toestand was gebracht en in groot gevaar had
verkeerd, voorloopig ondergebracht, ten einde haar buiten den greep
van den langen arm der justitie te houden.

Zij mocht volstrekt niet uitgaan zonder zijn toestemming en werd daar
steeds bewaakt, door Raffles zelf, door Charly Brand of door
Henderson, omdat haar leven gevaar liep. Zij immers had aan Raffles
het plan voor een inbraak verraden, ten einde Dr. Fox, den chef van
een groot misdadigersgenootschap, en de persoonlijke vijand van
haren minnaar, in handen der politie over te leveren en zich aldus te
wreken over de zware wonden, welke hij Beaupré had toegebracht.

Zij had zich reeds in handen van de mannen van Dr. Fox bevonden,
en het doodvonnis zou zeker aan haar voltrokken zijn geworden, als
Raffles en zijn twee vrienden niet tusschen beide waren gekomen.

De Groote Onbekende was de eerste die weder sprak. Hij had

eenigen tijd ernstig nagedacht en zeide nu:

—Ik mag er ook tegenover u geen geheim van maken Madame.

Raoul Beaupré is en blijft mijn vijand! Misschien zal de politie ons
over een kam scheren—ik denk daar echter anders over! Ja—ik weet
wat gij zeggen wilt: Ik heb mij niet als een vijand gedragen! Vergeet
echter niet dat ik dit voor een deel uit eigen belang deed! Als ik de
vijanden van Dr. Fox help, dan bestrijd ik hem zelf, maar er was nog
een overweging, die alle anderen in de schaduw stelde.

—Wat meent gij, vroeg Marthe Debussy op zachten toon.

—Gij hadt mijn woord! Het was mijn schuld dat gij in groot
levensgevaar hebt verkeerd en ik heb beloofd, u te beschermen en
wat uw vriend betreft—hij is in zekeren zin mijn bondgenoot, en wel
een zeer kostbare, want hij is een doodsvijand van Fox! en ik zou hier
met een kleinen variant kunnen zeggen: „De vijanden van mijn
vijanden zijn mijn vrienden”.

—Gij wilt dus zeggen …? stamelde Marthe, terwijl haar oogen vochtig
begonnen te glanzen.

—Ik wil zeggen, dat ik mijn hand nog niet van hem aftrek, maar dat ik
wil trachten hem toch nog voor u te redden.

De jonge vrouw liet een snikkend geluid hooren, greep de hand van
Raffles en voor hij het had kunnen verhinderen, had zij er een kus op
gedrukt.

—Dat moet gij niet doen, zeide Raffles hoofdschuddend, terwijl hij
zijn hand snel terug trok. Ik zeg u immers, dat ik handel uit eigen
belang! Ik wil u echter niet ontveinzen, dat het ditmaal zeer moeilijk
zal zijn. Ik vrees zelfs dat het volkomen onuitvoerbaar zal zijn,
zoolang Beaupré in het ziekenhuis ligt! Wij moeten [6]echter alles in
het werk stellen, om hem nog te redden vóór hij naar de gevangenis
wordt overgebracht, want daar zal het wellicht onmogelijk zijn.

—Kan ik u daarbij niet van dienst zijn, vroeg Marthe Debussy op

zachten toon. Ik zou u zoo gaarne helpen! Ik heb niets anders ter
wereld dan Raoul, en als ik mijn leven voor hem zou moeten offeren,
dan zou ik geen seconde twijfelen.

Raffles had even nagedacht, en zeide toen:

—Misschien kunnen wij uw hulp gebruiken, dan zal ik u wel laten

weten wat wij in de eerste dagen kunnen doen, want bij mijn
pogingen om Beaupré te bevrijden zal ik ook zijn eigen hulp noodig
hebben; hij moet mede werken, en daartoe is hij thans nog veel te
zwak. Maar ik beschik over middelen, waardoor ik de natuur ter hulp
zal kunnen komen en zijn herstel zal kunnen bespoedigen. De zaak
is slechts of het mogelijk zal zijn, tot hem door te dringen om hem dat
middel toe te dienen, want de directie zal nu natuurlijk zeer
wantrouwend zijn en goed acht geven op ieder die binnentreedt. Ik
vrees dat wij den truc met de zoogenaamde verpleegster niet
nogmaals kunnen toepassen—en om voor de tweede maal als dokter
Dumoulin op te treden, dat zal ook wel niet gaan. Wij hebben echter
den tijd om daarover na te denken, want in normale omstandigheden
zou het zeker nog minstens een week duren alvorens men Beaupré
naar de gevangenis zou kunnen overbrengen.

Raffles was opgestaan en had hoed en stok gegrepen, hij maakte

een buiging voor de jonge vrouw en zeide:

—Ik kom u vanmiddag halen om u met een mijner auto’s naar een
andere stad te brengen, hier dicht bij, want hier zijt ge nog altijd niet
veilig genoeg, en wij zouden u ook niet goed meer kunnen bewaken,
daar ik bij mijn plannen ter bevrijding van uw vriend de hulp van mijn
twee makkers niet zou kunnen ontberen. Als gij uw haar verft, of een
pruik opzet, zult gij vrijwel veilig zijn in een of andere provinciestad.
Kleed u zoo eenvoudig mogelijk en vertoon u tijdelijk zoo weinig
mogelijk in het publiek. Indien wij uw hulp kunnen gebruiker, zullen wij
u aanstonds laten halen!

—Ik voeg mij geheel maar uw aanwijzingen, mijnheer zeide Marthe

Debussy op zachten toon. Hoe laat komt gij?

—Om drie uur!

Nogmaals boog Raffles voor de jonge vrouw en het volgende

oogenblik had hij het vertrek en het huis verlaten.
Honderd schreden verder stapte hij in een wachtende auto, die hem
naar het einde van de Regent Street bracht, dicht bij Pall Mall.

In de eerstgenoemde straat bewoonde Raffles, onder den naam van

Lord William Aberdeen, een fraai heerenhuis, dat met een voor deze
buurt zeer grooten tuin omgeven was.

Hij kon dit huis steeds en ten allen tijde ongezien binnengaan, in
welke vermomming hij zich ook bevond, want een der tuinmuren
strekte zich over geruimen afstand uit langs een straat, welke zoo
goed als nimmer begaan werd, en welker overzijde werd ingenomen
door den blinden muur eener opslagplaats, tijdens den oorlog door de
regeering overgenomen en thans in het bezit van Raffles zelf, die het
groote gebouw voordeelig had verhuurd, op voorwaarden dat er aan
de bestemming niets mocht worden gewijzigd.

Niemand bespeurde er dus iets van, dat hij de kleine deur in den
tuinmuur opende en snel binnentrad.

Hij stak den grooten tuin dwars over en ging het huis aan de
achterzijde binnen.

Daarop beklom hij een smalle trap, die hem rechtstreeks naar zijn
slaapkamer bracht, waar hij de vermomming kon afleggen, welke hij
gedragen had bij zijn bezoek aan de minnares van den Franschen
Markies.

Terwijl hij hier mede bezig was, werd er op de deur geklopt en de

stem van Charly Brand liet zich hooren.

—Ben je hier, Edward?

—Ja, Charly! Wacht—ik zal open doen!