|
作者：陈亮 单位：中科院微生物所 编者按：上个月菌群月坛，在军科院听取王军组陈亮博士分享网络分析的经验，不仅使我对网络的背景知识有了更全面的认识，更使我手上一个关于菌根的课题有极大的启示。这么好的知识，当然希望和大家分享，故约稿陈博士在“宏基因组”发布一下他的经验，感谢陈博士的整理和分享。下面是正文： 网络分析背景知识近年来，随着计算机技术的发展，网络科学研究在社会网络方面的分析方法已经成熟，从而促进了网络分析方法向其他领域的渗透，例如：信号传导网络、神经网络、代谢通路网络、基因调控网络、生态网络等。 基于图论(Graph theory)的网络科学认为，任何非连续事物之间的关系都可以用网络来表示，通过将互联网内的电脑、社会关系中的个人、生物的基因等不同属性的实体抽象为节点(Node)，并用连接(Link)来展示实体之间的关系，通过量化以节点和连接为组件的网络结构指数(Index)，从而能够在统一的框架下寻找复杂系统的共性。 目前生态学领域大家用到的网络图多为基于群落数据相关性构建的Co-occurrence网络图。此类网络可以采用R中igraph包构建并实现出图。当然，除此之外，还有一些非命令行的软件，例如cytoscape，gephi，pajek等。但我认为，对于R使用者来说，通过R做图还是最方便的。大致的流程如下图所示： 1）根据观察，实验或者相关性推断来确定物种间的联系。Co-occurrence网络的构建多是基于相关性推断来构建的。常用的相关性推断方法有Pearson，Spearman, Sparcc等方法。 2）通过构建的相关性矩阵或者相互作用列表来构建igraph对象。常用的方法有以下三种，分别由graph_from_incidence_matrix，graph_from_adjacency_matrix，graph_from_edgelist三个函数获得，详细信息参照igraph官方帮助文档。第一种数据格式是普通矩阵，矩阵中数字代表行列所代表的物种间存在联系，这种联系可通过实验或观察来得到。第二种数据格式是邻接矩阵，物种间相关性计算得到的通常为此种形式。第三种为边列表（edgelist）,共两列数据，分别代表网络内的节点名称，每一行代表这两个节点间存在着联系。 3）计算网络的各种参数，用以推断网络的性质。 常用网络参数有： 平均路径长度(Average path length)：网络中任意两个节点之间的距离的平均值。其反映网络中各个节点间的分离程度。现实网络通常具有“小世界(Small-world)”特性。 聚集系数(Clustering coefficient)：分局域聚类系数和全局聚集系数，是反映网络中节点的紧密关系的参数，也称为传递性。整个网络的全局聚集系数C表征了整个网络的平均的“成簇性质”。 介数(Betweenness)：网络中不相邻的节点i和j之间的通讯主要依赖于连接节点i和j的最短路径。如果一个节点被许多最短路径经过，则表明该节点在网络中很重要。 经过节点n的数量所占比例，介数反映了某节点在通过网络进行信息传输中的重要性。 连接性 (Connectance)： 网络中物种之间实际发生的相互作用数之和（连接数之和）占总的潜在相互作用数（连接数）的比例，可以反映网络的复杂程度。 此外还包括：度分布(Degree distribution)、平均度(Average degree)、平均介数(Average betweenness)、平均最近邻度(Average nearest-neighbor degree)、直径(Diameter)、介数中心性(Betweenness centralization)和度中心性(Degree centralization)等参数。 群落数据co-occurrence实例网络分析需要两个文件，OTU表和OTU的属性；具体格式见测试数据下载链接：https://pan.baidu.com/s/1qYQIRaG 密码：qfes 1.最简单的网络图 # 设置工作目录：请修改下方目录或在Rstudio的Session菜单中选择下载测试数据所在的目录# setwd('~/Downloads/chenliang')# 安装需要的包，默认不安装，没安装过的请取消如下注释# install.packages('igraph')# install.packages('psych')# 加载包library(igraph)library(psych)# 读取otu-sample矩阵，行为sample，列为otuotu = read.table('otu_table.txt',head=T,row.names=1)# 计算OTU间两两相关系数矩阵# 数据量小时可以用psych包corr.test求相关性矩阵，数据量大时，可应用WGCNA中corAndPvalue, 但p值需要借助其他函数矫正occor = corr.test(otu,use='pairwise',method='spearman',adjust='fdr',alpha=.05)occor.r = occor$r # 取相关性矩阵R值occor.p = occor$p # 取相关性矩阵p值# 确定物种间存在相互作用关系的阈值，将相关性R矩阵内不符合的数据转换为0occor.r[occor.p>0.05|abs(occor.r)<0.6] =="" 0="" #="" 构建igraph对象igraph="graph_from_adjacency_matrix(occor.r,mode='undirected',weighted=TRUE,diag=FALSE)igraph#" note:可以设置weighted="NULL,但是此时要注意此函数只能识别相互作用矩阵内正整数，所以应用前请确保矩阵正确。#" 可以按下面命令转换数据#="" occor.r[occor.r!="0]" =="" 1#="" igraph="graph_from_adjacency_matrix(occor.r,mode='undirected',weighted=NULL,diag=FALSE)#" 是否去掉孤立顶点，根据自己实验而定#="" remove="" isolated="" nodes，即去掉和所有otu均无相关性的otu="" 可省略，前期矩阵已处理过bad.vs="V(igraph)[degree(igraph)" =="0]igraph" =="" delete.vertices(igraph,="" bad.vs)igraph#="" 将igraph="" weight属性赋值到igraph.weightigraph.weight="E(igraph)$weight#" 做图前去掉igraph的weight权重，因为做图时某些layout会受到其影响e(igraph)$weight="NA#" 简单出图#="" 设定随机种子数，后续出图都从同一随机种子数出发，保证前后出图形状相对应set.seed(123)plot(igraph,main='Co-occurrence network' ,vertex.frame.color="NA,vertex.label=NA,edge.width=1," vertex.size="">
2.按相关类型设置边颜色 # 如果构建网络时，weighted=NULL,此步骤不能统计sum(igraph.weight>0)# number of postive correlationsum(igraph.weight<0)# number="" of="" negative="" correlation#="" set="" edge="" color，postive="" correlation="" 设定为red,="" negative="" correlation设定为bluee.color="igraph.weightE.color" =="" ifelse(e.color="">0, 'red',ifelse(E.color<0, 'blue','grey'))e(igraph)$color="as.character(E.color)#" 改变edge颜色后出图set.seed(123)plot(igraph,main='Co-occurrence network' ,vertex.frame.color="NA,vertex.label=NA,edge.width=1," vertex.size="">
3.按相关性设置边宽度 # 可以设定edge的宽 度set edge width，例如将相关系数与edge width关联E(igraph)$width = abs(igraph.weight)*4# 改变edge宽度后出图set.seed(123)plot(igraph,main='Co-occurrence network',vertex.frame.color=NA,vertex.label=NA, vertex.size=5,edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
4.设置点的颜色和大小属性对应物种和丰度 # 添加OTU注释信息，如分类单元和丰度# 另外可以设置vertices size, vertices color来表征更多维度的数据# 注意otu_pro.txt文件为我随机产生的数据，因此网络图可能不会产生特定的模式或规律。otu_pro = read.table('otu_pro.txt',head=T,row.names=1)# set vertices sizeigraph.size = otu_pro[V(igraph)$name,] # 筛选对应OTU属性igraph.size1 = log((igraph.size$abundance)*100) # 原始数据是什么，为什么*100再取e对数V(igraph)$size = igraph.size1# set vertices colorigraph.col = otu_pro[V(igraph)$name,]levels(igraph.col$phylum)levels(igraph.col$phylum) = c('green','deeppink','deepskyblue','yellow','brown','pink','gray','cyan','peachpuff') # 直接修改levles可以连值全部对应替换V(igraph)$color = as.character(igraph.col$phylum)set.seed(123)plot(igraph,main='Co-occurrence network',vertex.frame.color=NA,vertex.label=NA, edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
5.调整布局样式 # 改变layout,layout有很多，具体查看igraph官方帮助文档。set.seed(123)plot(igraph,main='Co-occurrence network',layout=layout_with_kk,vertex.frame.color=NA,vertex.label=NA, edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))set.seed(123)plot(igraph,main='Co-occurrence network',layout=layout.fruchterman.reingold,vertex.frame.color=NA,vertex.label=NA, edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
6.按模块着色 # 模块性 modularityfc = cluster_fast_greedy(igraph,weights =NULL)# cluster_walktrap cluster_edge_betweenness, cluster_fast_greedy, cluster_spinglassmodularity = modularity(igraph,membership(fc))# 按照模块为节点配色comps = membership(fc)colbar = rainbow(max(comps))V(igraph)$color = colbar[comps] set.seed(123)plot(igraph,main='Co-occurrence network',vertex.frame.color=NA,vertex.label=NA, edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
7.显示标签和点轮廓 # 最后添加删除color和label项可显示标签和点颜色边框plot(igraph,main='Co-occurrence network',vertex.frame.color=NA,vertex.label=NA, edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
8.常用网络属性 # network property# 边数量 The size of the graph (number of edges)num.edges = length(E(igraph)) # length(curve_multiple(igraph))num.edges# 顶点数量 Order (number of vertices) of a graphnum.vertices = length(V(igraph))# length(diversity(igraph, weights = NULL, vids = V(igraph)))num.vertices# 连接数(connectance) 网络中物种之间实际发生的相互作用数之和（连接数之和）占总的潜在相互作用数（连接数）的比例，可以反映网络的复杂程度connectance = edge_density(igraph,loops=FALSE)# 同 graph.density;loops如果为TRUE,允许自身环（self loops即A--A或B--B）的存在connectance# 平均度(Average degree)average.degree = mean(igraph::degree(igraph))# 或者为2M/N,其中M 和N 分别表示网络的边数和节点数。average.degree# 平均路径长度(Average path length)average.path.length = average.path.length(igraph) # 同mean_distance(igraph) # mean_distance calculates the average path length in a graphaverage.path.length# 直径(Diameter)diameter = diameter(igraph, directed = FALSE, unconnected = TRUE, weights = NULL)diameter# 群连通度 edge connectivity / group adhesionedge.connectivity = edge_connectivity(igraph)edge.connectivity# 聚集系数(Clustering coefficient)：分局域聚类系数和全局聚集系数，是反映网络中节点的紧密关系的参数，也称为传递性。整个网络的全局聚集系数C表征了整个网络的平均的“成簇性质”。clustering.coefficient = transitivity(igraph) clustering.coefficientno.clusters = no.clusters(igraph)no.clusters# 介数中心性(Betweenness centralization)centralization.betweenness = centralization.betweenness(igraph)$centralization centralization.betweenness# 度中心性(Degree centralization)centralization.degree = centralization.degree(igraph)$centralizationcentralization.degree通过以上的学习，大家是不是可以一步步基于OTU表和注释，用R实现高大上的网络分析和绘制了呢？想要提高，还得多读，多练，多思考，解决科学问题是关键！ 编辑： 刘永鑫 |
|
|
