ggClusterNet 让关联网络分析变得简单

最新推荐文章于 2024-06-05 07:03:00 发布

叁叁137

最新推荐文章于 2024-06-05 07:03:00 发布

阅读量1k

点赞数 4

文章标签：数据库网络

本文链接：https://blog.csdn.net/weixin_60157921/article/details/129548610

版权

实践目的和意义：用ggClusterNet 做网络分析图并计算网络中的拓扑学指数，尤其是鲁棒性数值，来体现网络的稳健性。

#安装ggClusterNet
remotes::install_github("taowenmicro/ggClusterNet", force = T)
#加载所用的包
library(ggClusterNet)
library(phyloseq)
library(tidyverse)
library(igraph)
library(sna)
library(network)

数据的导入：

构建ps的数据格式

ps即phyloseq的数据格式为：

主要的文件为：OTU Table 、Sample Data、Taxonomy Table这三个作为构建ps数据的核心文件。

OTU Table格式为：

OTU ID sample1 sample2 sample3 .......

OUT_1

OUT_2

Sample Data格式为：

第一列为sampleid 第二列为分组

Taxonomy Table

OTU domain phylum class order family genus species

OUT_1

OUT_2


library(phyloseq)
library(ggClusterNet)
library(tidyverse)
library(Biostrings)
 
otutable <- read.table("./table_filtered.xls", header = T, sep = "\t",row.names = 1)
taxnomoy <- read.table("./tax.txt", header = T,sep = "\t", fill=TRUE, na.strings = "NA", row.names = 1)
metadata <- read.table("./metadata.tsv", header = T,sep = "\t", row.names = 1)

ps <- phyloseq(sample_data(metadata),otu_table(as.matrix(otutable),taxa_are_rows = T),tax_table(as.matrix(taxnomoy)))

这样我们就得到了一个基础的数据格式，用于分析数据

分析：

打包输出网络分析内容


根据上述导入的方式，导入数据
ps1 <- phyloseq(otu_table(as.matrix(otu_1),taxa_are_rows = T),sample_data(meta_1),tax_table(as.matrix(taxon)))
############打包输出网络中的结果############
path1 = "./result_micro_R/"
dir.create(path1)

result11 = network.2(ps = ps1,
                 N = 100, #取前丰度最高的前100
                 layout_net = "model_Gephi.2", ##布局格式model_Gephi.2这里我用的Gephi的
                 r.threshold=0.6, #相关性的阈值
                 p.threshold=0.01, #显著性的阈值
                 label = TRUE, #是否在节点上标记标签
                 path = path1, #存放的文件
                 lab = "Genus", #标签用Genus 这里一定要与taxnomoy中列名一致
                 zipi = TRUE #是否话zipi图)
#输出的文件如下：

1、2文件都是网络关系图， 4、5是节点和边文件可以导入到Gephi的文件，可以进行修图。

下图是其中的一个文件

3文件为：度与节点的分布

################################################################### — ##############################################################

这里注意的是红色的为本此实践的网络，绿的为随机网络。虽然不知道为啥这个图例这样写，但是根据源代码来看，因该是这样的。这个图证明我们的网络是无尺度网络，不是正态分布的随机网络。

6文件是zipi图

拓扑学指数的计算

########计算相关的############################
result1 <- corMicro(ps=ps1, N=100, method.scale = "TMM", r.threshold = 0.6, p.threshold = 0.01, method = "spearman")

cor1 <- result1[[1]] ####取出想要的结果
result1_4 = nodeEdge(cor = cor1) #####得到节点和边文件
edge1 = result1_4[[1]]  #边文件
node1 = result1_4[[2]]  #节点文件
igraph1  = igraph::graph_from_data_frame(edge1, directed = FALSE, vertices = node1) 

dat1 = net_properties.2(igraph1,n.hub = T) # 可以计算初很多的拓扑学指数（见下表）

网络稳定性和鲁棒性（robustness）

#这里我比较了两组的，可以在metadata中调整分组
otutable <- read.table("./table.xls", header = T, sep = "\t",row.names = 1)
taxnomoy <- read.table("./tax.txt", header = T,sep = "\t", fill=TRUE, na.strings = "NA", row.names = 1)
metadata <- read.table("./metadata.txt", header = T,sep = "\t", row.names = 1)
ps <- phyloseq(sample_data(metadata),otu_table(as.matrix(otutable),taxa_are_rows = T),tax_table(as.matrix(taxnomoy)))
#计算鲁棒性
#result <- corMicro(ps=ps, N=150, method.scale = "TMM", r.threshold = 0.8, p.threshold = 0.05, method = "spearman")
cor <- result[[1]]
png(filename = "robust.png",width = 1000, height = 500 )
p <- Robustness.Random.removal.change1(ps,Top = 200,r.threshold = 0.6, p.threshold = 0.01,method = "spearman")
p
dev.off()

这里计算的鲁棒性，函数Robustness.Random.removal 需要你手动改一下，因为他写的有点问题，对于考虑丰度的加权的鲁棒性分析不出来，具体修改的函数笔者附在后边。这里我改成了Robustness.Random.removal.change1函数。

图为：左边为加权的，右边为非加权的（即考不考虑丰度）