微生物群落和环境因子相关性：Bioenv & bvStep

2020-11-192020-11-19 17:20:57阅读 1350

本文介绍两个分析微生物群落和环境因子相关性的工具。

Bioenv

Bioenv比较常用，是vegan包中的函数。功能：找到与群落差异有最大(秩)相关性的环境变量的最佳子集

1library(vegan) 2#说明 3bioenv(comm, env, method = "spearman", index = "bray", 4       upto = ncol(env), trace = FALSE, partial = NULL,  5       metric = c("euclidean", "mahalanobis", "manhattan", "gower"), 6       parallel = getOption("mc.cores"), ...) 7comm:群落 8env:环境因子 9method:相关性方法，同cor函数10index：群落不相似性矩阵的构建方法。同vegdist函数11upto：子集中最多元素个数12partial：是否做partial分析13metric：环境因子矩阵构建方法，有四种方法。

对于p个环境因子，存在2^p-1个子集，因此环境因子多的时候会非常非常非常慢。20个变量包含>1e6组合。

1#例子 2data(varespec) 3data(varechem) 4sol <- bioenv(wisconsin(varespec) ~ log(N) + P + K + Ca + pH + Al, varechem) 5#结果给出了不同数量环境因子条件下相关性最高的组合 6summary(sol) 7                    size correlation 8P                      1      0.2513 9P Al                   2      0.400410P Ca Al                3      0.400511P Ca pH Al             4      0.361912log(N) P Ca pH Al      5      0.321613log(N) P K Ca pH Al    6      0.2822

bvStep

bvStep在sinkr包中。功能和Bioenv一样。在环境因子很多的时候表现更好。

1# install.packages("remotes") 2# remotes::install_github("marchtaylor/sinkr") 3library('sinkr') 4#说明 5bvStep( 6  fix.mat, 7  var.mat, 8  fix.dist.method = "bray", 9  var.dist.method = "euclidean",10  scale.fix = FALSE,11  scale.var = TRUE,12  max.rho = 0.95,13  min.delta.rho = 0.001,14  random.selection = TRUE,15  prop.selected.var = 0.2,16  num.restarts = 10,17  var.always.include = NULL,18  var.exclude = NULL,19  output.best = 1020)21fix.mat:固定的群落或环境因子数据(一般是群落)22var.mat:可变的群落或环境因子数据（一般是环境因子）23fix.dist.method    :计算固定数据的不相似矩阵（默认bray）24var.dist.metho:计算可变数据的不相似矩阵(默认欧氏距离)25scale.fix:固定数据是否中心化和标准化（默认否）26scale.va：可变数据是否中心化和标准化（默认是）27max.rho:最大Spearman 相关性，用于停止计算，默认0.9528min.delta.rho：Spearman 最小的变化29random.selection：是否随机开始30prop.selected.var：每次重新开始包含的变量比例31num.restarts:重新开始次数，默认5032var.always.include：每次重新开始包含的环境因子33output.best：结果返回多少种组合，默认10

可以先经过一轮初步筛选，得到相关性比较高的因子后，再进行二次筛选。

1#例子 2library(vegan) 3data(varespec) 4data(varechem) 5set.seed(1) 6res.biobio1 <- bvStep(wisconsin(varespec), wisconsin(varespec),  7                      fix.dist.method="bray", var.dist.method="bray", 8                      scale.fix=FALSE, scale.var=FALSE,  9                      max.rho=0.95, min.delta.rho=0.001,10                      random.selection=TRUE,11                      prop.selected.var=0.3,12                      num.restarts=50,13                      output.best=10,14                      var.always.include=NULL15)16res.biobio1 17#结果中包含相关性最高的组合，和不同因子数相关性最高的结果。18$order.by.best19                            var.incl n.var       rho201     3,4,13,15,24,28,29,30,35,37,39    11 0.8404258212  3,4,13,15,24,28,29,30,35,37,39,44    12 0.8385896223       4,13,15,24,28,29,30,35,37,39    10 0.8346131234       4,15,17,24,26,29,34,35,37,43    10 0.8302690245     3,4,15,17,24,26,29,34,35,37,43    11 0.8296674256            3,4,5,15,22,23,29,38,42     9 0.8294197267              4,5,15,19,25,26,29,38     8 0.8286999278         3,4,5,15,17,22,23,29,38,42    10 0.8275624289                 4,5,15,19,26,29,38     7 0.82606702910          4,5,14,15,19,25,26,29,38     9 0.82493463031$order.by.i.comb32                             var.incl n.var       rho331                                  26     1 0.5186498342                               23,26     2 0.6100455353                            15,26,29     3 0.6873777364                         15,19,26,29     4 0.7428844375                       4,15,19,26,29     5 0.7760409386                    4,15,19,26,29,38     6 0.8038093397                  4,5,15,19,26,29,38     7 0.8260670408               4,5,15,19,25,26,29,38     8 0.8286999419             3,4,5,15,22,23,29,38,42     9 0.82941974210       4,13,15,24,28,29,30,35,37,39    10 0.83461314311     3,4,13,15,24,28,29,30,35,37,39    11 0.84042584412  3,4,13,15,24,28,29,30,35,37,39,44    12 0.83858964513 2,3,6,7,11,12,13,14,16,35,42,43,44    13 0.71571584647$best.model.vars48[1] "Rhodtome,Vaccmyrt,Dicrpoly,Pleuschr,Cladstel,Cladgrac,Cladfimb,Cladcris,Cetreric,Flavniva,Stersp"4950$best.model.rho51[1] 0.84042585253$var.always.include54NULL5556$var.exclude57[1]  8 20 21 325859#23，26，29一直存在，因此第二次筛选将这几个样本包含进去。60set.seed(1)61res.biobio2  <- bvStep(wisconsin(varespec), wisconsin(varespec), 62                       fix.dist.method="bray", var.dist.method="bray",63                       scale.fix=FALSE, scale.var=FALSE, 64                       max.rho=0.95, min.delta.rho=0.001,65                       random.selection=TRUE,66                       prop.selected.var=0.3,67                       num.restarts=50,68                       output.best=10,69                       var.always.include=c(23,26,29)70)71res.biobio2 # Best rho equals 0.895 (15 of 44 variables)7273#最优的组合包含15个环境因子74$best.model.vars75[1] "Vaccmyrt,Vaccviti,Polypili,Pohlnuta,Cladarbu,Cladrang,Cladcocc,Cladcorn,Cladgrac,Cladfimb,Cladcris,Cladamau,Cetreric,Nepharct,Cladcerv"

sinkr包重点包含了多变量方法和地理数据的处理。

sinkr也有做bioenv的函数为bioEnv。

本文分享自微信公众号 - Listenlii（gh_1a9e56035563），作者：水岸风堤

原文出处及转载信息见文内详细说明，如有侵权，请联系 [e-mail] 删除。

原始发表时间：2020-11-15

本文参与腾讯云自媒体分享计划，欢迎正在阅读的你也加入，一起分享。

举报