绘制mantel test图新包linkET

安装和更新

近期断断续续对linkET做了一些更新，主体是从方便用户使用，增强灵活性的角度出发的，至于我想在新版本中添加的功能，暂时还未完成，而且预计新功能完成可能得到端午节前后，所以这个版本（0.0.3）是未来一段时间比较稳定的版本，若是想尝新，不妨更新一下试试。

## install.packages("devtools")
devtools::install_github("Hy4m/linkET", force = TRUE)
library(linkET)

correlate()函数

之前的版本（包括最早的ggcor），correlate()函数都仅仅是封装cor()和cor.test()函数，来作为默认的相关系数矩阵计算的函数，然后提供了统一的接口来把WGCNA等其他包计算的结果导入到linkET中。这一次更新，我尝试把其他包的函数（如psych::corr.test()）作为计算引擎，完整的封装进correlate()函数，这样用户就不用去深究各种不同的包的函数差异。下面的例子给了一些示例，可以尝试运行查看结果。

## 默认计算方式，等价于上一个版本的correlate()
correlate(mtcars)
## 使用psych包作为计算引擎
correlate(mtcars, engine = "psych")


## 使用Hmisc包作为计算引擎
correlate(mtcars, engine = "Hmisc")


## 使用picante包作为计算引擎
correlate(mtcars, engine = "picante")


## 使用WGCNA包作为计算引擎
correlate(mtcars, engine = "WGCNA")

当然，correlate()函数还增加了一个group参数，这个参数可以用来指定原始数据的行分组信息，例如比如著名的iris数据集中，若我们想根据物种la分别计算相关系数矩阵，我们就可以把group参数设置为Species这个向量。

# head(iris)
correlate(iris[-5], group = iris$Species)

直接输出分组计算的相关系数矩阵的结果，只能看到一点描述性信息，建议使用下面的代码把图画出来：

correlate(iris[-5], group = iris$Species) %>% 
  qcorrplot() + geom_square()

改变默认样式

在linkET的开发过程中，我一直保持克制，希望能最大程度保持原汁原味的ggplot2的感觉，但是经不住问，我还是提供了一个set_corrplot_style()函数，每次打开R会话框后运行下这个函数，就能保证之后的所有的qcorrplot()函数画的图都改成了你想要的样式。

set_corrplot_style()
qcorrplot(mtcars) + geom_square()

也可以使用你自己的调色板，比如改成红白蓝的配色：

set_corrplot_style(colours = c("red", "white", "blue"))
qcorrplot(mtcars) + geom_square()

最后，要是你嫌弃默认使用的scale_fill_gradientn()函数不能满足你的需求，你完全可以提供的scale函数，比如：

set_corrplot_style(scale = ggplot2::scale_fill_viridis_c())
qcorrplot(mtcars) + geom_square()

用完了记得还原一下，不然之后的图还会按照你设置的样式画图：

set_default_style()

更丝滑的geom_couple()函数

我们先看看：

library(dplyr)
library(ggplot2)
data("varechem", package = "vegan")
data("varespec", package = "vegan")


mantel <- mantel_test(varespec, varechem,
                      spec_select = list(Spec01 = 1:7,
                                         Spec02 = 8:18,
                                         Spec03 = 19:37,
                                         Spec04 = 38:44)) %>% 
  mutate(rd = cut(r, breaks = c(-Inf, 0.2, 0.4, Inf),
                  labels = c("< 0.2", "0.2 - 0.4", ">= 0.4")),
         pd = cut(p, breaks = c(-Inf, 0.01, 0.05, Inf),
                  labels = c("< 0.01", "0.01 - 0.05", ">= 0.05")))


## 现学现用
set_corrplot_style()
qcorrplot(correlate(varechem), type = "lower", diag = FALSE) +
  geom_square() +
  geom_couple(aes(colour = pd, size = rd), 
              data = mantel, 
              curvature = nice_curvature()) +
  scale_size_manual(values = c(0.5, 1, 2)) +
  scale_colour_manual(values = color_pal(3)) +
  guides(size = guide_legend(title = "Mantel's r",
                             override.aes = list(colour = "grey35"), 
                             order = 2),
         colour = guide_legend(title = "Mantel's p", 
                               override.aes = list(size = 3), 
                               order = 1),
         fill = guide_colorbar(title = "Pearson's r", order = 3))

现在想把Spec的几个点的位置微调一下，在之前的三期文章中我提到了可以使用aes(x = .x + 1)之类的方式来调整，但是这种方法每次都是所有的点做相同的调整，在这个版本中我新增了offset_x和offset_y两个参数，这两个参数能对指定的点做调整，没有指定的保持在原位不动。

qcorrplot(correlate(varechem), type = "lower", diag = FALSE) +
  geom_square() +
  geom_couple(aes(colour = pd, size = rd), 
              data = mantel, 
              curvature = nice_curvature(),
              offset_x = list(Spec02 = 3, Spec03 = 3),
              offset_y = list(Spec01 = 0.5, Spec02 = 1)) +
  scale_size_manual(values = c(0.5, 1, 2)) +
  scale_colour_manual(values = color_pal(3)) +
  guides(size = guide_legend(title = "Mantel's r",
                             override.aes = list(colour = "grey35"), 
                             order = 2),
         colour = guide_legend(title = "Mantel's p", 
                               override.aes = list(size = 3), 
                               order = 1),
         fill = guide_colorbar(title = "Pearson's r", order = 3))

小结

linkET还会继续开发，功能也会越来越完整，希望所有人都能切换到linkET上来，忘了那个ggcor吧。

猜你喜欢

iMeta简介 高引文章 高颜值绘图imageGP 网络分析iNAP
iMeta网页工具 代谢组MetOrigin 美吉云乳酸化预测DeepKla
iMeta综述 肠菌菌群 植物菌群 口腔菌群 蛋白质结构预测

10000+：菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature

系列教程：微生物组入门 Biostar 微生物组  宏基因组

专业技能：学术图表 高分文章 生信宝典 不可或缺的人

一文读懂：宏基因组 寄生虫益处 进化树 必备技能：提问 搜索  Endnote

扩增子分析：图表解读 分析流程 统计绘图

16S功能预测   PICRUSt  FAPROTAX  Bugbase Tax4Fun

生物科普:  肠道细菌 人体上的生命 生命大跃进  细胞暗战 人体奥秘  

写在后面

为鼓励读者交流快速解决科研困难，我们建立了“宏基因组”讨论群，己有国内外6000+ 科研人员加入。请添加主编微信meta-genomics带你入群，务必备注“姓名-单位-研究方向-职称/年级”。高级职称请注明身份，另有海内外微生物PI群供大佬合作交流。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍未解决群内讨论，问题不私聊，帮助同行。

点击阅读原文，跳转最新文章目录阅读