微生物生态相关性网络构建

SYSU星空

发布于 2022-05-05 12:56:19

1.3K0

网络分析（network analysis）是指通过连接法，寻找变量之间的联系，以网络图或者连接模型（connection model）来展示数据的内部结构，从而简化复杂系统并提取有用信息的一种定量分析方式。在生态学中常利用相关性来构建网络模型，可以使用一个数据集例如物种群落数据进行分析，这时候展现物种之间的共出现模式（co-occurance pattern），也可以结合多个数据集进行分析，例如分析环境因子对物种的影响等，网络分析是一种比较自由的分析方法。

构建相关性网络，首先需要计算不同变量之间的相关系数矩阵，然后根据相关系数确定变量之间的网络连接，在R中常使用igraph包进行网络模型可视化。这里以目水平的微生物群落以及环境因子数据为例构建相关性网络：

#读取物种与环境因子数据
community=read.table(file="otu_table_L4.txt", header=TRUE)
rownames(community)=community[,1]
community=community[,-1]
com=t(community)
environment=read.table(file="environment.txt", header=TRUE)
rownames(environment)=environment[,1]
env=environment[,-1]
env=env[rownames(com),]
data=as.matrix(cbind(com, env))
#计算相关性矩阵并筛选p<0.05、r>0.45的数据
library(Hmisc)
corr=rcorr(data, type="spearman")
rcorr=corr$r #提取相关系数
pcorr=corr$P #提取检验结果p值
#注意要去掉自相关（对角线上的数据）
for (i in 1:nrow(rcorr)) {
  for (j in 1:nrow(rcorr)) {
    if (i!=j) {
      if (pcorr[i, j]>0.05) {
        rcorr[i, j]=0
      }
    }
    if (rcorr[i, j]>-0.45 & rcorr[i, j]<0.45) {
      rcorr[i, j]=0
    }
  }
}
#构建相关网络
library(igraph)
g=graph.adjacency(rcorr, mode="undirected", weighted=T, diag=F)

在这里graph.adjacency()函数使用邻接矩阵（这里为相关矩阵）创建连接模型，其中mode可选"undirected"和"directed"，分别表示连接有无方向（箭头），weighted=T表示连接线的粗细或长短与相关系数成正比，diag=F去掉邻接矩阵中对角线数据（即去掉自相关），我们可以提取节点与连接的信息：

接下来进行绘图：

#相关网络可视化
m=length(colnames(com))
n=length(colnames(env))
t=length(colnames(rcorr))
size1=numeric(m)
for (i in 1:m) {
  size1[i]=sum(com[,i])
}
size1=(10000*size1)^0.25
size2=numeric(n)
for (i in 1:n) {
  size2[i]=sum(abs(rcorr[,m+i]))-1
}
size2=1.7*sqrt(10*size2)
size=c(size1, size2)
col=character(length(E(g)$weight))
weight=E(g)$weight
for (i in 1: length(E(g)$weight)) {
  if (weight[i]>0) {
    col[i]="red"
  } else {
    col[i]="blue"
  }
}
pcolor=c(rep("goldenrod1", m), rep("steelblue3", n))
par(mfrow=c(2,2), mar=c(1,1,1,1))
plot(g,vertex.color=pcolor, layout=layout.fruchterman.reingold, vertex.size=size, vertex.label="", vertex.frame.color="gray", edge.width=1, asp=1, edge.color=col)
plot(g,vertex.color=pcolor, layout=layout_as_tree, vertex.size=size, vertex.label="", vertex.frame.color="gray", edge.width=1, asp=1, edge.color=col)
plot(g,vertex.color=pcolor, layout=layout_randomly, vertex.size=size, vertex.label="", vertex.frame.color="gray", edge.width=1, asp=1, edge.color=col)
plot(g,vertex.color=pcolor, layout=layout.circle, vertex.size=size, vertex.label="", vertex.frame.color="gray", edge.width=1, asp=1, edge.color=col)

在这里绘图函数实际上为plot.igraph()。其中，使用物种相对丰度数据（size1）来为物种节点的大小赋值，使用环境因子相关性数据（size2）为环境因子节点（vertex）赋值，每一个显著的强相关作为一个连接（edge），正相关与负相关使用不同颜色来区分（col）。此外layout为展示样式，有layout.auto、layout.circle、layout.fruchterman.reingold、layout.graphopt、layout.grid、layout.lgl、layout.random、layout.reingold.tilford、layout.sphere、layout.star、layout.kamada.kawai、layout_as_star、layout_as_tree、layout_nicely、layout.davidson.harel、layout_with_dh、layout.graphopt、layout.mds、layout_with_lgl、layout_with_fr、layout_randomly、layout_on_sphere等。绘图结果如下所示：

可以选择合适的展示方式来展示相关网络，接下来我们进一步优化做图参数，如下所示：

#进一步优化作图
par(mfrow=c(1,1), mar=c(1,1,1,1))
myshape=c(rep("circle", m), rep("square", n))
plot(g,vertex.color=pcolor, layout=layout.fruchterman.reingold, vertex.size=size, vertex.shape=myshape, vertex.label=rownames(rcorr), vertex.label.font=1, vertex.label.cex=0.5, vertex.label.dist=0.2, vertex.label.degree=-pi/2, vertex.label.color="black", vertex.frame.color="gray", edge.width=10*weight^4, asp=1, edge.color=col)

在上面脚本中使用形状区分物种节点和环境因子节点，vertex.shape可选方形square、圆形circle、球体sphere、等，可以使用?shapes查看其他形状例如三角等添加方法；使用相关性大小（weight）为边的宽度（）赋值；asp设置图片的长宽比，取值范围0-1；edge.curved设置连接（edge）的弯曲程度，取值0-1，其中0为不弯曲。做图结果如下所示：

此外，还可以使用tkplot()函数绘制交互二维图，可以在交互窗口方便的调整图形样式，不再赘述。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2019-05-06，如有侵权请联系 cloudcommunity@tencent.com 删除

编程算法

微生物生态相关性网络构建

微生物生态相关性网络构建

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐