最终版本Science级组合图表绘制

简介

ggcor 是厚哥最近的作品，功能完全代替了science组合图表绘制。这里我也为大家带力实战教程，总体来说厚哥这个ggcor包用起来还是挺方便的，将许多功能简化，为我们提供了一个很好的入门机会。所以大家也别再私信我要之前两篇推送的原始数据了，这次推送完全替代之前的版本。重要事情说三遍！这是sicence组合图表最终版本别用之前的了！这是sicence组合图表最终版本别用之前的了！这是sicence组合图表最终版本别用之前的了！

这里我献出厚哥的信息：

厚缊 业余的R语言可视化重度患者
个人博客:houyun.xyz
邮箱：[email protected]

ggcor在微生物生态领域的使用初

目前厚哥这个包还在不断开发中，但是我已经迫不及待想试试了。包的安装使用github安装函数install_github。

简单来说一下这个包用来干什么的？（下面摘抄自厚哥亲笔）

相关系数矩阵可视化已经至少有两个版本的实现了，魏太云基于base绘图系统写了corrplot包，应该说是相关这个小领域中最精美的包了，使用简单，样式丰富，只能用惊艳来形容。Kassambara的ggcorrplot基于ggplot2重写了corrplot，实现了corrplot中绝大多数的功能，但仅支持“square”和“circle”的绘图标记，样式有些单调，不过整个ggcorrplot包的代码大概300行，想学习用ggplot2来自定义绘图函数，看这个包的源代码很不错。还有部分功能相似的corrr包（在写ggcor之前完全没有看过这个包，写完之后发现在相关系数矩阵变data.frame方面惊人的相似），这个包主要在数据相关系数提取、转换上做了很多的工作，在可视化上稍显不足。ggcor的核心是为相关性分析、数据提取、转换、可视化提供一整套解决方案，目前的功能大概完成了70%，后续会根据实际需要继续扩展。

if(!require(devtools))
  install.packages("devtools")
if(!require(ggcor))
  devtools::install_github("houyunhuang/ggcor")

首先学习函数

待会咱们要使用这些函数完成实战，也挑选出来我喜欢的几个可视化方案。这里的示例数据都是现成的，所以大家在这里对照运行即可。

导入r包和示例数据

suppressWarnings(suppressMessages(library("ggcor")))
corr <- cor(mtcars)
df <- as_cor_tbl(corr)
df ## return a tibble

## # A tibble: 121 x 3
##       x     y      r
## *    
## 1     1    11  1
## 2     1    10 -0.852
## 3     1     9 -0.848
## 4     1     8 -0.776
## 5     1     7  0.681
## # ... with 116 more rows
## Extra attributes:
## xname: mpg cyl disp hp drat wt qsec vs am gear carb
## yname: carb gear am vs qsec wt drat hp disp cyl mpg
## type: full
## show.diag: TRUE

下面介绍几种本人喜欢的可视化方式，我这里统一将图例修改为离散型颜色：fill.bin = TRUE, legend.breaks = seq(-1, 1, length.out = 5)

注意一下开发版本才能添加颜色设置参数：,fill.bin = TRUE, legend.breaks = seq(-1, 1, length.out = 5) ，文末尾安装方式

#这里不仅仅展示了相关值，而且展示了置信区间,geom_cross用于排除不显著相关。
#
ggcor(mtcars, type = "full", cor.test = TRUE) + geom_confbox()+ geom_cross()

这里使用方形我觉得高档一些，本人比较喜欢，将不显著的去掉。

# 这里使用方形我觉得高档一些，本人比较喜欢
ggcor(mtcars, type = "full", cor.test = TRUE) +
  geom_square() + geom_cross()

配合颜色填充和相关标注，加上显著性标签很容易整体把控指标的相关性。使用r = 这里厚哥添加的五角星，我们来了解一下。

# 这里使用方形我觉得高档一些，本人比较喜欢
ggcor(mtcars, type = "full", cor.test = TRUE) +
  # geom_square() +
  geom_star(n = 5)+
  geom_cross()

NA参数去除相关值，因为颜色已经表示过相关大小了，值就省略掉吧,mark = "*"参数规范统一的显著性标签。

#配合颜色填充和相关标注，加上显著性标签很容易整体把控指标的相关性。使用r = NA参数去除相关值，因为颜色已经表示过相关大小了，值就省略掉吧,mark = "*"参数规范统一的显著性标签。
ggcor(mtcars, type = "full", cor.test = TRUE, cluster.type = "all") +
  # geom_raster() +
  geom_colour()+
  geom_mark(r = NA,sig.thres = 0.05, size = 3, colour = "grey90")

非对称相关图形可以节省空间，很多人曾求助怎么做，其实就是将最后的出图矩阵做相应的裁剪就好了，之前我都是自己裁剪的，现在厚哥包装进去了，方便了很多。

# 非对称相关图形可以节省空间，很多人曾求助怎么做，其实就是将最后的出图矩阵做相应的裁剪就好了，之前我都是自己裁剪的，现在厚哥包装进去了，方便了很多。
suppressWarnings(suppressMessages(library(vegan))) # 使用vegan包所带的数据集
data(varechem)
data(varespec)
df03 <- fortify_cor(x = varechem, y = varespec[ , 1:30], cluster.type = "col")
ggcor(df03) + geom_square()

群落矩阵和环境因子相关

corr <- fortify_cor(varechem, type = "upper", show.diag = TRUE,
                    cor.test = TRUE, cluster.type = "all")
mantel <- fortify_mantel(varespec, varechem,
                                spec.select = list(spec01 = 22:25,
                                                   spec02 = 1:4,
                                                   spec03 = 38:43,
                                                   spec04 = 15:20),
                                mantel.fun = "mantel.randtest")
ggcor(corr, xlim = c(-5, 14.5)) +
  add_link(mantel, diag.label = TRUE) +
  add_diaglab(angle = 45) +
  geom_square() + remove_axis("y")

另外一种方式组合

library(cowplot)

mantel <- fortify_mantel(varespec, varechem,
                                spec.select = list(spec01 = 22:25,
                                                   spec02 = 1:4,
                                                   spec03 = 38:43,
                                                   spec04 = 15:20),
                                mantel.fun = "mantel.randtest")
mantel$p <- cut(mantel$p, breaks = c(0, 0.001, 0.01, 0.05, 1),
              labels = c("< 0.001", "< 0.01", "< 0.05", ">= 0.05"),
              right = FALSE, include.lowest = TRUE)
p1 <- ggcor(varechem) + geom_square() + remove_axis("x")
p2 <- ggcor(mantel, mapping = aes(fill = p), is.minimal = TRUE, keep.name = TRUE) +
  geom_star(aes(r = 0.65), n = 5, ratio = 0.6) +
  scale_fill_manual(values = c("darkgreen", "green", "lightgreen", "grey95"),
                    drop = FALSE)
plot_grid(p1, p2, ncol = 1, align = "v", labels = c('A', 'B'),
          rel_heights = c(0.13*dim( varechem)[2], 1))

微生物生态学领域实战

基于phloseq我开发了一系列基于扩增子的数据分析脚本，我也将再不久将这个脚本纳入，这里大家必须学习phyloseq的封装格式和基本用法。

library("phyloseq")
library("vegan")
library("grid")
library("gridExtra")
library("ggplot2")
ps = readRDS(".//ps_OTU_.rds")
ps1 = ps
ps1 = filter_taxa(ps1, function(x) sum(x ) > 200 , TRUE);ps1

## phyloseq-class experiment-level object
## otu_table()   OTU Table:         [ 78 taxa and 24 samples ]
## sample_data() Sample Data:       [ 24 samples by 14 sample variables ]
## tax_table()   Taxonomy Table:    [ 78 taxa by 7 taxonomic ranks ]

ps1  = transform_sample_counts(ps1, function(x) x / sum(x) );ps1

## phyloseq-class experiment-level object
## otu_table()   OTU Table:         [ 78 taxa and 24 samples ]
## sample_data() Sample Data:       [ 24 samples by 14 sample variables ]
## tax_table()   Taxonomy Table:    [ 78 taxa by 7 taxonomic ranks ]

path = "./phyloseq_5_RDA_CCA_cor/"
dir.create(path)

vegan_otu <-  function(physeq){
  OTU <-  otu_table(physeq)
  if(taxa_are_rows(OTU)){
    OTU <-  t(OTU)
  }
  return(as(OTU,"matrix"))
}
otu = as.data.frame(t(vegan_otu(ps1)))

mapping = as.data.frame( sample_data(ps1))
env.dat = mapping[,3:ncol(sample_data(ps1))]
env.st = decostand(env.dat, method="standardize", MARGIN=2)#
env_dat = env.st

#这里不仅仅展示了相关值，而且展示了置信区间,geom_cross用于排除不显著相关。
ggcor(env_dat, type = "full", cor.test = TRUE) + geom_confbox()+ geom_cross()

这里使用方形我觉得高档一些，本人比较喜欢，将不显著的去掉。

# 这里使用方形我觉得高档一些，本人比较喜欢
ggcor(env_dat, type = "full", cor.test = TRUE) +
  geom_square() + geom_cross()

配合颜色填充和相关标注，加上显著性标签很容易整体把控指标的相关性。使用r = NA参数去除相关值，因为颜色已经表示过相关大小了，值就省略掉吧,mark = "*"参数规范统一的显著性标签。

#配合颜色填充和相关标注，加上显著性标签很容易整体把控指标的相关性。使用r = NA参数去除相关值，因为颜色已经表示过相关大小了，值就省略掉吧,mark = "*"参数规范统一的显著性标签。
ggcor(env_dat, type = "full", cor.test = TRUE, cluster.type = "all") +
  # geom_raster() +
  geom_colour()+
  geom_mark(r = NA,sig.thres = 0.05, size = 3, colour = "grey90")

这样一来我们来挑选微生物和环境因子做相关就方便多了。

# 非对称相关图形可以节省空间，很多人曾求助怎么做，其实就是将最后的出图矩阵做相应的裁剪就好了，之前我都是自己裁剪的，现在厚哥包装进去了，方便了很多。
#计算相关
#太多OTU展示起来不太好看，这里我选择30个展示
ss = t(otu)[,1:30]
df03 <- fortify_cor(x = env_dat, y = ss, cluster.type = "col")
ggcor(df03) + geom_square()

现在我们来组合群落和环境因子关系，这里我模拟了两个群落，这两个群落都是一样的，我通过list收纳这两个群落. xlim = c(-5, (dim(env_dat)[2] +0.5)):在厚哥的指点下修改为环境因子数量加0.5，厚哥表示可能之后这个参数会被写到函数内部。

#转置otu表格，作为第一个群落
otu2 = t(otu)
#同样赋值为第二个群落
otu3 = t(otu)
#无论多少个群落，将其使用list包起来，注意设置名称
spe = list(A = otu2,B = otu3)


#计算环境因子相关
corr <- fortify_cor(env_dat , type = "upper", show.diag = TRUE,
                    cor.test = TRUE, cluster.type = "all")
#计算环境因子和群落相关
mantel <- fortify_mantel(spe , env_dat,
                         # spec.select = list(A = 1:dim(otu2)[2]),
                         mantel.fun = "mantel")

#出图
ggcor(corr, xlim = c(-5,(dim(env_dat)[2] +0.5))) +
  add_link(mantel, diag.label = TRUE) +
  add_diaglab(angle = 45) +
  geom_square() + remove_axis("y")

下面展示一个四个群落的数据

#转置otu表格，作为第一个群落
otu2 = t(otu)
#同样赋值为第二个群落
otu3 = t(otu)
#无论多少个群落，将其使用list包起来，注意设置名称
spe = list(A = otu2,B = otu3,C = otu3,D = otu3)

corr <- fortify_cor(env_dat , type = "upper", show.diag = TRUE,
                    cor.test = TRUE, cluster.type = "all")

mantel <- fortify_mantel(spe , env_dat ,
                         # spec.select = list(A = 1:dim(otu2)[2]),
                         mantel.fun = "mantel")


ggcor(corr, xlim = c(-5, (dim(env_dat)[2] +0.5))) +
  add_link(mantel, diag.label = TRUE) +
  add_diaglab(angle = 45) +
  # geom_square() +
  geom_star(n = 5)+
  remove_axis("y")

另外一种可视化群落和环境因子关系的组合图表，B图需要调整大小，这里我本来以为是线性映射，做一个变量，显然不是，我还是老老实实修改了一下大小。这里我们的群落和环境因子之间没有相关关系

library(cowplot)
#转置otu表格，作为第一个群落
otu2 = t(otu)
#同样赋值为第二个群落
otu3 = t(otu)
#无论多少个群落，将其使用list包起来，注意设置名称
spe = list(A = otu2,B = otu3,C = otu3,D = otu3)

corr <- fortify_cor(env_dat , type = "upper", show.diag = TRUE,
                    cor.test = TRUE, cluster.type = "all")

mantel <- fortify_mantel(spe , env_dat ,
                         # spec.select = list(A = 1:dim(otu2)[2]),
                         mantel.fun = "mantel")

mantel$p <- cut(mantel$p, breaks = c(0, 0.001, 0.01, 0.05, 1),
              labels = c("< 0.001", "< 0.01", "< 0.05", ">= 0.05"),
              right = FALSE, include.lowest = TRUE)
p1 <- ggcor(env_dat) +
  # geom_square() +
  geom_star(n = 5)+
  remove_axis("x")
p2 <- ggcor(mantel, mapping = aes(fill = p), is.minimal = TRUE, keep.name = TRUE) +
  geom_star(aes(r = 0.65), n = 5, ratio = 0.6) +
  scale_fill_manual(values = c("darkgreen", "green", "lightgreen", "grey95"),
                    drop = FALSE)
plot_grid(p1, p2, ncol = 1, align = "v", labels = c('A', 'B'),
          rel_heights = c(0.155*dim(env_dat)[2], 1))

后台回复"ggcor"获得数据和代码下载链接

常见问题

binned_scale找不到

这是由于ggplot版本问题，这里需要升级成新版本，来自github。

install.packages(“remotes”) remotes::install_github(“hadley/ggplot2”)

Error: ‘decode_colour’ is not an exported object from ‘namespace:farver’

这是farver版本问题

install.packages(“farver”)

猜你喜欢

10000+：菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature Cell专刊 肠道指挥大脑

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

文献阅读 热心肠 SemanticScholar Geenmedical

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

在线工具：16S预测培养基 生信绘图

科研经验：云笔记  云协作 公众号

编程模板: Shell  R Perl

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”专业讨论群，目前己有国内外5000+ 一线科研人员加入。参与讨论，获得专业解答，欢迎分享此文至朋友圈，并扫码加主编好友带你入群，务必备注“姓名-单位-研究方向-职称/年级”。PI请明示身份，另有海内外微生物相关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。

学习16S扩增子、宏基因组科研思路和分析实战，关注“宏基因组”

点击阅读原文，跳转最新文章目录阅读