微生物生态学分析

微生物共现网络可视化：实现布局自由

  目前很多构建共现网络的方法（sparCC、speicEASI、spearman correlation等等）均包含环境因子对网络的影响——例如，如果两个OTU均喜欢酸性环境，那么他们就会有很强的的相关性，所以由此构建的共现网络反映了环境因子和生物互作共同的影响，我们称其为raw co-occurrence network（原始共现网络）。与上述方法不同的是，基于模型的共现网络构建可以在其中考虑到环境因子的影响，从而将环境因子的影响排除出去，更好地反映微生物交互作用。不过也可能有其它未检测到的环境因子，

影响微生物共现网络的两个主要因素为：环境筛选和微生物交互作用，而这两者背后都有一个共同的影响因素——遗传发育特征。我们之前介绍了如何探究环境因子对微生物共现网络的影响，这里我们将分析微生物共现网络模块的遗传发育特征，回答这样一个问题：属于同一模块的OTUs是否具有更相似的遗传发育特征？

利用spearman相关性分析是构建共现网络的重要方法，但由于OTU table往往有成千上万行，用R自带的corr.test()函数计算较为费时，严重制约我们的分析速度。对spearman相关性分析进行并行化运行可大大节省计算时间，为此我们手写了spearman相关性分析函数来实现并行化运行。为方便讲解，本文以我们常见的OTU table 数据为例，对OTU进行两两spearman相关性分析，获得相关系数r和显著性p值。我们将自己手写的函数network_construct()与psych包中的corr.

  探究微生物共现网络与环境因子的关系是微生物生态学分析的常用手段之一,目前的文献使用的主要包括以下三种方法：Modular Eigengene ,Subgraph of each sample和OTU significance

我们可以通过了解节点的模块内连通度和模块间连通度来对节点的重要性进行度量，具有较低的模块内连通度和模块间连通度的节点的重要性则相对较低。

利用随机矩阵理论(random matrix theory)确定微生物网络构建阈值

向量化代码计算spearman两两相关系数与显著性，加快微生物网络构建

拟回答以下3个问题并用R语言实现：1. 构建网络常用的方法及原理2. Cross-kingdom网络的构建3. 环境因子与网络拓扑参数的关系