R实战 | 置换多元方差分析（以PCoA的PERMANOVA分析为例）

最新推荐文章于 2024-09-09 01:00:00 发布
最新推荐文章于 2024-09-09 01:00:00 发布
阅读量9.2k 收藏 42
点赞数 11
文章标签： r语言 人工智能 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45822007/article/details/128471298
版权

e9c46a77b5af14ba894df0039b8598bb.jpeg

adonis-cover

置换多元方差分析（Permutational multivariate analysis of variance，PERMANOVA），又称非参数多因素方差分析（nonparametric multivariate analysis of variance）、或者ADONIS分析。它利用距离矩阵(如欧式距离、Bray-Curtis距离)对总方差进行分解，分析不同分组因素或不同环境因子对样品差异的解释度，并使用「置换检验」对各个变量解释的统计学意义进行显著性分析。

一个例子

比如，对宏基因组检测的物种丰度数据进行PCA/NMDS/PCoA降维可视化后，不同组的样品之间存在一些重叠，那怎么判断这些组之间的样品构成是否存在显著差别呢？这就需要用到PERMANOVA检验了，检验不同组的样品中心点是否重叠。

d9de597e398ca7f685e61ce6a1636010.png
example
9df37981a3a75055637f60e55b243524.png 0ab0b31f8a4d7dfc70d2efe9f93c6f29.png

以上面的PCoA图为例，椭圆圈出的四组样品点正好对应四个海拔分组，这四组样品之间的群落差异是否显著呢？检验组间群落差异本质上是检验距离矩阵之间的差异，普通的ANOVA分析无能为力。而基于距离矩阵的PerMANOVA分析则表明，这四个分组两两之间差异是显著的(p<0.05)。

❝

Rui J, Li J, Wang S, et al. Responses of Bacterial Communities to Simulated Climate Changes in Alpine Meadow Soil of the Qinghai-Tibet Plateau. Appl Environ Microbiol. 2015;81(17):6070-6077. doi:10.1128/AEM.00557-15

❞

示例数据和代码领取

点赞、在看 本文，分享至朋友圈集赞20个并保留30分钟，截图发至微信mzbj0002领取。

「木舟笔记2022年度VIP可免费领取」。

❝

「注：」2022马上过去了，为了方便各位读者朋友，现推出木舟笔记永久VIP，售价169￥。2022VIP仅需支付差价进行升级。木舟笔记永久VIP享本号所有资源(限定课程除外），后续不再推出VIP企划。

❞

木舟笔记2022年度VIP企划

「权益：」

  1. 「2022」年度木舟笔记所有推文示例数据及代码(「在VIP群里实时更新」)。

    b6c549e9eb8905e7d02c83c992ed0b1d.png
    data+code

  2. 木舟笔记「科研交流群」。

  3. 「半价」购买跟着Cell学作图系列合集(免费教程+代码领取)|跟着Cell学作图系列合集。

「收费：」

「99￥/人」。可添加微信：mzbj0002 转账，或直接在文末打赏。

3df820fdad1861517894fe36e6933581.png

实战

PCoA

# Load package
library(vegan)
library(ggplot2)
library(ggthemes)
# Load data
otu <- read.table('otu.txt',row.names = 1,header = T)
group <- read.table('group.txt',header = T)
#pcoa
# vegdist函数，计算距离；method参数，选择距离类型
distance <- vegdist(otu, method = 'bray')
# 对加权距离进行PCoA分析
pcoa <- cmdscale(distance, k = (nrow(otu) - 1), eig = TRUE)
## plot data
# 提取样本点坐标
plot_data <- data.frame({pcoa$point})[1:2]

# 提取列名，便于后面操作。
plot_data$ID <- rownames(plot_data)
names(plot_data)[1:2] <- c('PCoA1', 'PCoA2')

# eig记录了PCoA排序结果中，主要排序轴的特征值（再除以特征值总和就是各轴的解释量）
eig = pcoa$eig

#为样本点坐标添加分组信息
plot_data <- merge(plot_data, group, by = 'ID', all.x = TRUE)
head(plot_data)

# 计算加权bray-curtis距离
dune_dist <- vegdist(otu, method="bray", binary=F)
dune_pcoa <- cmdscale(dune_dist, k=(nrow(otu) - 1), eig=T)

dune_pcoa_points <- as.data.frame(dune_pcoa$points)
sum_eig <- sum(dune_pcoa$eig)
eig_percent <- round(dune_pcoa$eig/sum_eig*100,1)

colnames(dune_pcoa_points) <- paste0("PCoA", 1:3)

dune_pcoa_result <- cbind(dune_pcoa_points, group)

head(dune_pcoa_result)
library(ggplot2)

ggplot(dune_pcoa_result, aes(x=PCoA1, y=PCoA2, fill=group)) +
  geom_point(shape = 21,color = 'black',size=4) +
  stat_ellipse(level=0.95)+
  scale_fill_manual(values = c('#73bbaf','#d15b64','#592c93'))+
  labs(x=paste("PCoA 1 (", eig_percent[1], "%)", sep=""),
       y=paste("PCoA 2 (", eig_percent[2], "%)", sep=""))  +
  theme_classic()
b83a0694f240c35406aba601830b24c7.png

PERMANOVA

# 基于bray-curtis距离进行计算
dune.div <- adonis2(otu ~ group, data = group, permutations = 999, method="bray")

dune.div
library(ggalt)
dune_adonis <- paste0("adonis R2: ",round(dune.div$R2,2), "; P-value: ", dune.div$`Pr(>F)`)

p <- ggplot(dune_pcoa_result, aes(x=PCoA1, y=PCoA2, fill=group)) +
  geom_point(shape = 21,color = 'black',size=4) +
  stat_ellipse(level=0.95)+
  scale_fill_manual(values = c('#73bbaf','#d15b64','#592c93'))+
  labs(x=paste("PCoA 1 (", eig_percent[1], "%)", sep=""),
       y=paste("PCoA 2 (", eig_percent[2], "%)", sep=""),
       title=dune_adonis)  +
  theme_classic()
p
88204c44f1f6aa19dd47031705165681.png
image-20221228004115608

配对Adonis

# 配对Adonis确定两两分组之间对物种组成差异的影响
#devtools::install_github("pmartinezarbizu/pairwiseAdonis/pairwiseAdonis")
library(pairwiseAdonis)
dune.pairwise.adonis <- pairwise.adonis(x=otu, factors=group$group, 
                                        sim.function = "vegdist",
                                        sim.method = "bray",
                                        p.adjust.m = "BH",
                                        reduce = NULL,
                                        perm = 999)

library(ggpubr)
library(patchwork)
tab2 <- ggtexttable(dune.pairwise.adonis[,c("pairs","R2","p.value","p.adjusted")], rows = NULL, 
                    theme = ttheme("blank")) %>% 
  tab_add_hline(at.row = 1:2, row.side = "top", linewidth = 1)  %>% 
  tab_add_hline(at.row = nrow(dune.pairwise.adonis)+1, row.side = "bottom", linewidth = 1)  

p + tab2  + plot_layout(design=c(area(1,1), area(2,1)))
77f5b84c81d9f598fbaa95bf03f29336.png

往期内容

  1. CNS图表复现|生信分析|R绘图 资源分享&讨论群！

  2. 这图怎么画| 有点复杂的散点图

  3. 这图怎么画 | 相关分析棒棒糖图

  4. 组学生信| Front Immunol |基于血清蛋白质组早期诊断标志筛选的简单套路

  5. (免费教程+代码领取)|跟着Cell学作图系列合集

  6. Q&A | 如何在论文中画出漂亮的插图？

  7. 跟着 Cell 学作图 | 桑葚图(ggalluvial)

  8. R实战 | Lasso回归模型建立及变量筛选

  9. 跟着 NC 学作图 | 互作网络图进阶(蛋白+富集通路)(Cytoscape)

  10. R实战 | 给聚类加个圈圈(ggunchull)

  11. R实战 | NGS数据时间序列分析(maSigPro)

  12. 跟着 Cell 学作图 | 韦恩图(ggVennDiagram)

cb3b060d5977f37dc20927ef3ac60a4c.png
木舟笔记矩阵
木舟笔记
关注
R语言多元方差分析（MANOVA）实践：多变量方差分析
ByteJolt的博客
08-11 1242
本篇文章将介绍使用R语言进行多元方差分析的实践过程，并提供相应的源代码。我们首先安装并加载所需的R包，然后准备数据集，并检验数据是否满足方差齐性和正态性的假设。在进行多元方差分析之前，我们需要先检验数据是否满足方差齐性和正态性的假设。函数可以获得单因素方差分析的结果，其中包括了组别或因子变量的均值、均方、自由度、F值和显著性水平等。函数查看多元方差分析的摘要结果，其中包含了Wilks’ lambda统计量、卡方值和显著性水平等。当数据满足方差齐性和正态性的假设后，我们可以进行多元方差分析。
多元协方差分析在R语言中的实现
TechSavant的博客
08-21 751
多元协方差分析（Multiple Analysis of Covariance，MANCOVA）是一种统计方法，用于分析多个自变量对多个因变量之间的关系，并控制一个或多个协变量的影响。在本文中，我们将介绍如何使用R语言进行多元协方差分析，并提供相应的源代码。通过上述步骤，我们可以在R语言中执行多元协方差分析，并获得相应的统计结果。假设我们有三个因变量（Y1、Y2和Y3），两个自变量（X1和X2），以及一个协变量（Cov）。除了执行多元协方差分析外，我们还可以进行后续的分析和可视化。在R中，我们可以使用。
【R生态】非参数多元检验（ADONIS、ANOSIM、PERMANOVA及MRPP等多元方差分析）
R酷的数据科学笔记
02-17 1万+
R语言多元方差分析ADONIS、ANOSIM、PERMANOVA及MRPP的应用~
一文学会PCA/PCoA相关统计检验(PERMANOVA)和可视化
悟道西方
07-22 1532
MANOVA的前提假设 https://www.real-statistics.com/multivariate-statistics/multivariate-analysis-of-variance-manova/manova-assumptions/ https://www.statology.org/manova-assumptions/它的计算方式是不同组样品之间的距离（或距离的排序）平方和(图中黄色部分)除以同一组样品之间的距离（或距离的排序)平方和（图中蓝色部分），具体如下面公式。
SPSS分析技术:多元方差分析
weixin_30387423的博客
01-20 1876
SPSS分析技术:多元方差分析 下面要介绍多元方差分析的内容，多元方差分析是研究多个自变量与多个因变量相互关系的一种统计理论方法，又称多变量分析。多元方差分析实质上是单因变量方差分析（包括单因素和多因素方差分析）的发展和推广，适用于自变量同时对两个或两个以上的因变量产生影响的情况，用来分析自变量取不同水平时这些因变量的均值是否存在显著性差异。 分析原理 多元方差分析可以看做是多因素...
置换多元方差分析PERMANOVA+主坐标分析PCoA 算法与代码复现
2301_79584199的博客
08-11 1367
相对于主成分分析，两者的区别为PCA是基于样本的相似系数矩阵(如欧式距离)来寻找主成分，而PCoA是基于距离矩阵(欧式距离以外的其他距离)来寻找主坐标。计算距离后，维度会减一，从而2个样本可在一维进行展现，3个样本可在二维进行展现……如果是n个样本，则需要进行降维，将高维展现到二维或三维。通过一个样本间的距离矩阵或相似性矩阵构建ANOVA分析类似的统计量，然后对每组的观测结果进行随机置换来计算显著性P-value。黄色部分是组间差异，蓝色部分是组内差异，每个值是计算出的距离（一般为bary方法）。
使用R语言进行perMANVOA分析NMDS结果多个分组之间显著性
xin996ya的博客
10-13 2124
使用vegan包
R语言统计分析——多元方差分析
maizeman126的博客
09-09 1058
由于多元检验是显著的，则可以使用summary.aov()函数对每个变量做单因素方差分析，结果显示，三种货架组中的每种营养成分的测量值也是显著不同的。【若有一个p×l的多元正态随机向量x，均值为μ，协方差矩阵为Σ，那么x与μ的马氏距离的平方服从自由度为p的卡方分布。本例使用MASS包中的UScereal数据集，其中，卡路里、脂肪和糖含量时因变量，货架是三水平（1、2、3）的自变量。如上图所示，若数据服从多元正态分布，那么数据点将落在直线上，结果可以看到有两个点明显远离直线，可以删除这两个点再重新分析。
多元方差分析
weixin_34248118的博客
11-07 3675
2019独角兽企业重金招聘Python工程师标准>>> ...
R语言中的PCA实战代码
Ron_Lee_sdj的博客
06-28 1万+
主成分分析（PCA）和t-SNE，MDS等算法都是数据科学中使用最多的降维算法，也有使用lasso进行降维。本章使用R语言将pca进行演习，具体理论大家查找相关资料即可。R语言中使用最多的函数是princomp，位于R自带的stats数据包中，主要参数如下：x，传入的数据矩阵或者数据框cor，判断使用相关系数还是协方差矩阵进行计算scale，是否进行标准化处理当然还有prcomp函数可选，参数基本...
多元方差分析—包含MANAVA
11-13
很全的方差分析方法讲解~~ 很实用~~ 包括： 多元方差的基本原理 多元方差分析 单因素二元模型 双因素二元饱和模型 双因素二元非饱和模型
三因素多元方差分析
02-02
三因素多元方差分析，胡想顺，刘小凤，目的 给出三因素多元方差分析的原理以及过程。方法 在学习两因素多元方差分析的基础上进行三因素多元方差分析的过程推导。结果 �
多因素方差分析例题.doc
09-22
将同性别、体重相近的同一配伍组的5只大鼠，分别用5种方法染尘，共有6个配伍组30只大鼠，测得的各鼠全肺湿重，见下表。问5种处理间的全肺湿重有无差别？
SPSS多元方差分析
m0_64087341的博客
11-06 2196
方差分析：多元方差分析
多因素方差分析
热门推荐
05-31 2万+
无需服从正态分布,不必进行正态性检验 关于交互作用 两个因素的不同水平的搭配可能对试验（调查）观察指标产生新的影响，这 种现象称为交互作用。 数据组织方式: 各个自变量与因变量分别在不同变量中 ...
多个总体均值的比较（多元方差分析）
weixin_71158509的博客
02-10 3247
多元方差分析是一种统计方法，用于比较两个或更多组的均值在一个或多个自变量上的差异是否具有统计学意义。它可以同时考虑多个自变量对因变量的影响，以及自变量之间的交互作用。它是广义线性模型的拓展，适用于因变量为连续变量且自变量为分类变量的情况。多元方差分析可以帮助研究者确定各组之间是否存在显著差异，并评估自变量的影响程度。它常用于社会科学、医学研究等领域中。
SPSS实现多元方差分析
sayasora的博客
10-02 1万+
总目录：SPSS学习整理 SPSS实现多元方差分析目的适用情景数据处理SPSS操作SPSS输出结果分析知识点 目的 观察影响因素如何影响一组因变量 适用情景 方差分析前提： 各个总体服从正态分布 各个总体方差相等 观测值独立 数据处理 SPSS操作 分析——一般线性模型——多变量（这个多变量是针对的多个因变量，不是多个自变量的意思） SPSS输出结果分析 首先检查方差是否相等，苗高，地径P值分别为0.344，0.166，均大于0.05，接受原假设，认为方差相等。 海拔与施肥量四种检验结果P值
使用lmp函数进行多元线性回归模型的置换检验（R语言）
2301_79330513的博客
08-17 286
在建立了多元线性回归模型后，为了验证模型的有效性和可靠性，我们可以使用置换检验（permutation test）来进行统计推断。值得注意的是，置换检验是一种非参数检验方法，因此对数据的分布假设要求较低，适用范围广泛。首先，我们需要准备数据集。请注意，为了简化示例，这里的数据集较小，实际应用中可能需要更多的样本。其中，参数data指定了数据集，nsim指定了置换的次数，这里我们设置为1000次。通常，当p值小于所设定的显著性水平（例如0.05）时，我们可以拒绝原假设，即认为模型回归系数是显著的。
R语言宏基因组学统计分析学习笔记（第三章-1）
zd200572的博客
11-17 2522
微生物数据统计分析简介 3.1 人类微生物研究的主题和假设 两大主题，分别是：1）微生物特征和基因的、生物的、临床的和实验条件；2）与微生物组成可能相关的生物和环境因子 目标：理解宿主遗传——环境因子的机制，在调节微生物组成和疾病方面，可能对治疗策略有所帮助。 环境、微生物和宿主的关系是动态和复杂的，有3个假说： 1）微生物失衡与健康或者疾病是否相关，如IBD 假说也可以是微生物和生物因子，比如微生态改变与小肠上皮细胞VDR（维生素D受体）相关 2）微生物－环境或者生物 或健康／疾病时环境干预影响微生物的组
微生物相对丰度pcoa和置换多元方差分析代码
最新发布
03-26
### 微生物相对丰度分析中的 PCoA 和置换多元方差分析 #### 使用 R 进行 PCoA 和 PERMANOVA 的代码示例 R 是一种强大的统计编程语言，在微生物组数据分析中广泛使用。以下是基于 `vegan` 包实现 PCoA 和 PERMANOVA 的代码： ```r library(vegan) # 加载数据 data <- read.csv("microbiome_data.csv", row.names = 1) # 替换为实际文件名 metadata <- read.csv("metadata.csv") # 替换为实际元数据文件名 # 距离矩阵计算 (Bray-Curtis 或其他距离) distance_matrix <- vegdist(data, method = "bray") # 主坐标分析 (PCoA) pcoa_result <- cmdscale(distance_matrix, k = 2, eig = TRUE) # 可视化 PCoA 结果 plot(pcoa_result$points[, 1], pcoa_result$points[, 2], col = as.numeric(metadata$Group), # 根据分组着色 pch = 19, xlab = "PCoA1", ylab = "PCoA2", main = "Principal Coordinates Analysis (PCoA)") legend("topright", legend = levels(as.factor(metadata$Group)), fill = unique(col)) # 置换多元方差分析 (PERMANOVA) permanova_result <- adonis2(distance_matrix ~ metadata$Group, permutations = 999) print(permanova_result) ``` 上述代码展示了如何通过 `cmdscale()` 函数执行主坐标分析，并利用 `adonis2()` 函数完成置换多元方差分析[^1]。 --- #### 使用 Python 实现 PCoA 和 PERMANOVA 的代码示例 Python 中可以借助 `scikit-bio` 和 `statsmodels` 库来实现类似的分析过程： ```python import pandas as pd from skbio.stats.distance import permanova, pcoa from scipy.spatial.distance import braycurtis # 数据加载 data = pd.read_csv('microbiome_data.csv', index_col=0) # 替换为实际文件名 metadata = pd.read_csv('metadata.csv') # 替换为实际元数据文件名 # 计算 Bray-Curtis 距离矩阵 def pairwise_bray_curtis(matrix): samples = matrix.index.tolist() distance_matrix = [] for i in range(len(samples)): row_distances = [ braycurtis(matrix.loc[samples[i]], matrix.loc[samples[j]]) for j in range(i + 1)] distance_matrix.append(row_distances) return pd.DataFrame(distance_matrix, columns=samples[:-len(distance_matrix)-1:-1]) dm = pairwise_bray_curtis(data) # 执行 PCoA pcoa_results = pcoa(dm) fig = pcoa_results.plot( title="Principal Coordinates Analysis (PCoA)", axis_labels=["PCoA1", "PCoA2"], s=50, cmap='Set3', labels=list(metadata['Group'])) # PERMANOVA 分析 group_column_name = 'Group' # 替换为实际列名 permanova_results = permanova(dm, group_metadata=metadata[group_column_name]) print(permanova_results) ``` 以上代码实现了基于 `skbio` 的 PCoA 绘制以及 PERMANOVA 显著性检验。 --- ### 注意事项 - **输入数据格式**：确保输入的数据是以样本作为行、特征（OTU/ASV）作为列的表格形式。 - **标准化处理**：在进行距离矩阵计算之前，通常需要对原始计数数据进行标准化或转换（如 CLR 转换），以减少稀疏性和零膨胀的影响。 - **可视化优化**：可以通过调整颜色映射、形状标记等方式增强 PCoA 图表的表现力。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值