基于R和gephi做宏基因组与代谢组等多组学联合network相关性网络图

本文主要是介绍基于R和gephi做宏基因组与代谢组等多组学联合network相关性网络图，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

写在前面

拿到多组学的数据后一直在找合适的方法将二者进行关联，比如我这里是三种体液的代谢组与一种体液的宏基因组。需求是对多组学进行关联分析，直到最近看到不少文章里利用Gephi将相关性表格进行可视化的图，效果还不错，于是写个过程记录自用。这里演示的是属水平的差异菌群相对丰度（宏基因组结果）与代谢组鉴定到的差异代谢物进行关联。

主要分为两个部分：

先是计算相关性生成graphml格式文件
使用Gephi软件进行可视化

数据准备

主要就是两个需要关联的表格

差异代谢物表格
差异菌属的相对丰度表格

这里注意：原文件如果是新建的excel，默认有3个sheet，一定记得只保留一个sheet后另存为制表符分隔的txt文件，这一点很重要，不然下面分析的时候会从读取就开始报错！

R包Hmisc计算相关性并用igraph包生成graphml

用到Hmisc包和igraph包

这里就直接放代码吧，遇到相关的报错先仔细检查数据，一般是数据格式和内容本身的问题。不行就上网找解决办法。

###微生物和代谢物的相关性网络
##计算微生物类群丰度和代谢物鉴定强度的相关系数
setwd('F:\\Analysis\\RA_Sanhe cow\\Microgenome\\Network_Gephi module_Pretreat\\RE group\\M_metabolites_genus')
library(Hmisc)
MAG <- read.delim('differ_genus.txt',row.name = 1, check.names = FALSE)
Enzyme <- read.delim('milk_differ_metabolites_inform.txt',row.name = 1, check.names = FALSE)
MAG<-t(MAG)
Enzyme<-t(Enzyme)#计算群落组成与功能的相关性，以 spearman 相关系数为例
MAG_Enzyme_corr <- rcorr(as.matrix(MAG), as.matrix(Enzyme), type = 'spearman')#相关系数 r 值和显著性 p 值矩阵
r <- MAG_Enzyme_corr$r
p <- MAG_Enzyme_corr$P#只保留微生物丰度-功能基因丰度的相关系数
#去除微生物-微生物、功能基因-功能基因之间的相关系数
r <- r[colnames(MAG),colnames(Enzyme)]
p <- p[colnames(MAG),colnames(Enzyme)]#阈值筛选
#将 spearman 相关系数低于 0.7 的关系剔除，即 r>=0.7
#该模式下，一定要注意负值的选择是否是合适的，因为很多情况下可能负相关无意义
r[abs(r) < 0.7] <- 0#选取显著性 p 值小于 0.05 的相关系数，即 p<0.05
# p <- p.adjust(p, method = 'BH')    #可选 p 值校正，这里使用 BH 法校正 p 值
p[p>=0.05] <- -1
p[p<0.05 & p>=0] <- 1
p[p==-1] <- 0#根据上述筛选的 r 值和 p 值保留数据
z <- r * p#再转换为对称矩阵，igraph 只能识别这种样式的邻接矩阵类型
z1 <- MAG_Enzyme_corr$r
z1[z1 != 0] <- 0
z1[rownames(z),colnames(z)] <- z
z1[colnames(z),rownames(z)] <- t(z)#write.table(data.frame(z1, check.names = FALSE), 'MAG_Enzyme_corr.matrix.txt', col.names = NA, sep = '\t', quote = FALSE)##获得网络
library(igraph)#将邻接矩阵转化为 igraph 网络的邻接列表
#构建含权的无向网络，权重代表了微生物丰度和功能基因丰度间的 spearman 相关系数
g <- graph.adjacency(z1, weighted = TRUE, mode = 'undirected')
g#孤立节点的删除（删除度为 0 的节点）
g <- delete.vertices(g, names(degree(g)[degree(g) == 0]))#该模式下，边权重代表了相关系数
#由于权重通常为正值，因此最好取个绝对值，相关系数重新复制一列
E(g)$correlation <- E(g)$weight
E(g)$weight <- abs(E(g)$weight)#查看网络图
plot(g)#graphml 格式，可使用 gephi 软件打开并进行可视化编辑
write.graph(g, 'network.graphml', format = 'graphml')