本文主要是介绍交互式探索微生物群落与生态功能的关系，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！
微生物群落在生态系统中发挥则重要功能，我们在对微生物群落进行分析时，会将不同分类水平（从门到属）的微生物类群的相对丰度与测定的某一生态功能进行相关性分析。但由于微生物类群数较多，又有不同的分类水平，将其包揽在一个图中，并显示不同的微生物类群的名字，会显得十分杂乱，因此我们尝试使用交互式的可视化来进行探索性分析。下面我们将结合R语言和javascript，来实现这一任务。考虑到微生物生态学方面的同学对JavaScript可能比较陌生，我们也提供了网络工具，为网友在线探索分析微生物各类群与生态功能的关系提供便利。
实现的效果：可点击该连接查看实现的效果，TreeCorrelation，鼠标停留在每一个节点可以显示每个节点的微生物类群名称。
例如，当鼠标停留在图中的蓝色节点时会显示其对应的名称，鼠标移开后名称消失，保持图形的整洁。
看完了实现效果，下面具体介绍实现该交互式网页的方法
Step1：数据准备
我们需要使用到两大类的数据：各水平相对丰度表和测定的生态功能表。
- 门水平相对丰度表
- 纲水平相对丰度表
- 目水平相对丰度表
- 科水平相对丰度表
- 属水平相对丰度表
- 生态功能表（测定的生态功能，或者对应的理化性质等）
我们需要使用到个分类水平的相对丰度表，这个在进行完序列分析后都可以获得，其数据格式如下，这里以门水平的相对丰度表为例，纲、目、科、属水平的相对丰度表也类似。
准备好生态功能的数据表
Step2：利用R语言生成JSON文件
2.1 加载必要的包
library(jsonlite)
library(stringr)
library(psych)
2.2 读取文件
L2 <- read.delim("./icicle data/taxa_nifH_16s_L2.txt", row.names=1, check.names = FALSE)
L3 <- read.delim("./icicle data/taxa_nifH_16s_L3.txt", row.names=1, check.names = FALSE)
L4 <- read.delim("./icicle data/taxa_nifH_16s_L4.txt", row.names=1, check.names = FALSE)
L5 <- read.delim("./icicle data/taxa_nifH_16s_L5.txt", row.names=1, check.names = FALSE)
f <- read.delim("./icicle data/FUN.txt", row.names=1)
2.3 生态功能与各微生物类群的相关性分析
taxaList <- list(L2=L2,L3=L3,L4=L4,L5=L5)
corList <- list()
for(i in 1:length(taxaList)){cor <- corr.test(taxaList[[i]],f$s1)corr <- cor$rcorr[cor$p>0.05] <- 0corList[[i]] <- corr
}
2.4 生成可视化需要的JSON文件
taxa_df <- list()
split_string <- strsplit(colnames(taxaList[[length(taxaList)]]), ";")
for(i in 1:length(taxaList)){if(i == length(taxaList)){taxa_df[[i]] <- colnames(taxaList[[i]])}else{taxa_df[[i]] <- sapply(split_string,function(x){paste(x[1:(length(x) - length(taxaList)+i)], collapse = ";")})}
}
df <- data.frame(taxa_df)
listn <- list()
n <- length(df)
for(m in 1:n){list4 <- list()if(m==1){for (i in 1:nrow(df)){list4[[i]] <- list(name=df[i,n],value=replace_na(corList[[n-m+1]][i],0))}listn[[m]] <- list4}else{j=1df0 <- df[!duplicated(df[,n-m+2]),(n-m+1):(n-m+2)]for (i in 1:nrow(df0)){if (!duplicated(df0[,1])[i]){list0 <- list(name=df0[i,1],value=replace_na(corList[[n-m+1]][j],0),children=listn[[m-1]][df0[,1] %in% df0[i,1]])list4[[j]] <- list0j=j+1}}listn[[m]] <- list4}
}
list1 <- list(list(name="Bacteria",children=listn[[n]]))
2.5 导出JSON文件
json_string <- toJSON(list1, pretty = TRUE)
cat(json_string)
write(json_string,"./taxonomy.json")
Step3：将生成的JSON文件上传网页
打开网页：buildTreeCorrelation，选择并读取生成的JSON文件即可。
这篇关于交互式探索微生物群落与生态功能的关系的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
