Science这张惊艳图表终于完成了：最终稳定版本 / 四六文摘

ggcor在微生物生态领域的使用

目前厚哥这个包还在不断开发中，不知不觉内容已经相当丰富和完善了，上一篇推送问题也慢慢出现，主要是函数修改问题，这里我不仅仅补充了新的内容，并且将之前推送全部函数都进行了更新，也就是说你之前学过了，只需要做很少的修改就好了。为读者负责，请关注这篇推送。封面看到的，你可以轻松做出来。如果迫不及待和厚哥交流，以及交流本篇文章的种种问题，那就添加小编微信，带你入群：

简单来说一下这个包用来干什么的？

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。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.

## 首先我们共同来学习一下厚哥这些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。 if(!require(devtools)) install.packages(“devtools”) if(!require(ggcor)) devtools::install_github(“houyunhuang/ggcor”)导入r包和示例数据

suppressWarnings(suppressMessages(library("ggcor")))

quickcor提供相关计算和出图转化的合并

首先快速计算和出图，默认使用cor计算相关，没有计算显著性

quickcor(mtcars) + geom_star()

因为矩阵对象一样，所以需要学习如何修改为一半矩阵

quickcor(mtcars, type = "lower", show.diag = FALSE) + geom_square()

没有显著性计算，我们是没办法进行确定下结论的，所以这里设置cor.test = TRUE。这是厚哥包中推荐的显著性标记凡方式，但是不免看出有些冗余

add_diag_label:功能似乎没有找到，？？？丢弃了吗？比较包是我刚下载的最新版本。

quickcor(mtcars, cor.test = TRUE) + geom_square(data = get_data(type = "lower")) + geom_mark(data = get_data(type = "upper")) + # add_diag_label(size = 5, colour = "red") + remove_axis()

下面这个例子就很好的解决了我们的问题，仅仅展示显著的，一半。并且将相关大小标注一下,由于都是显著的，所以没必要使用显著性标记了，这里我们将geom_mark弃用，修改为geom_number。# quickcor(mtcars, cor.test = TRUE,type = "lower", show.diag = FALSE) + geom_square(data = get_data(p.value < 0.05, type = "lower")) + geom_number(data = get_data(p.value < 0.05, type = "lower"),aes(num = r))

如果说我喜欢厚哥五角心，可以再来一个五角心的版本quickcor(mtcars, cor.test = TRUE,type = "lower", show.diag = FALSE) + geom_star(data = get_data(p.value < 0.05, type = "lower"))

虽然可以出现我们喜欢的图片，但是相关求取的算法，还是需要可以修改和调整的,调整起来当然很简单，method = “kendall”参数修改即可：就是corr.testd的三个距离：“pearson”, “kendall”， “spearman”

quickcor(mtcars, cor.test = TRUE,type = "lower", show.diag = FALSE,method = "kendall") + geom_star(data = get_data(p.value < 0.05, type = "lower"))

提供两组数据之间相关的简易模式

这将简化我们的数据处理过程。

library(vegan) data("varechem") data("varespec") quickcor(varespec, varechem,cor.test = TRUE,method = "pearson") + geom_star()

了解内部工作机制，如果你想了解的话，比较前面已经够用了

library(ggplot2) library(tidyverse) correlate(mtcars, cor.test = TRUE) %>% as_cor_tbl() %>% ggcor() + geom_point(aes(size = r, fill = r), shape = 21) + scale_size_area(max_size = 10) + theme(axis.title = element_blank()) + coord_fixed(xlim = c(0.5, 11.5), ylim = c(0.5, 11.5))

下面是我第一次学习ggcor的时候写的，现在需要修改

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。 # quickcor(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 quickcor(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 quickcor(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。 quickcor(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")

群落矩阵和环境因子相关,这一套下来比较完整，并且可以很好的实现。

我们需要注意的是

data("varespec", package = "vegan") data("varechem", package = "vegan") df <- mantel_test(varespec, varechem) library(ggplot2) df <- df %>% mutate(lty = cut(r, breaks = c(-Inf, 0, Inf), labels = c("r <= 0", "r > 0")), col = cut(p.value, breaks = c(0, 0.01, 0.05, 1), labels = c("< 0.01", "< 0.05", ">= 0.05"), right = FALSE, include.lowest = TRUE)) quickcor(varechem, type = "upper") + geom_square() + # add_diag_label() + add_link(df, mapping = aes(colour = col, size = r, linetype = lty),diag.label = TRUE) + scale_fill_gradient2n() + scale_size_area(max_size = 3) + scale_linetype_manual(values = c("dotted", "solid")) + guides( fill = guide_colourbar(title = "corr", order = 1), colour = guide_legend(title = "Mantel's p", order = 2), size = guide_legend(title = "Mantel's r", order = 3), linetype = "none" )

多个群落做分析，那么多个群落是如何整合进去的呢？varespecz这个似乎群落数据，是一个数据框，这里将其风分隔为三个群落，来做df02 <- mantel_test(varespec, varechem, spec.select = list(spec01 = 1:5, spec02 = 6:12, spec03 = 13:15, spec03 = 13:17 )) %>% mutate(lty = cut(r, breaks = c(-Inf, 0, Inf), labels = c("r <= 0", "r > 0")), col = cut(p.value, breaks = c(0, 0.01, 0.05, 1), labels = c("< 0.01", "< 0.05", ">= 0.05"), right = FALSE, include.lowest = TRUE)) extra.params <- extra_params( spec.label = text_params(colour = "red", size = 7), env.point = point_params(size = 2, fill = "grey80"), spec.point = point_params(size = 4, shape = 24, fill = "red"), link.params = link_params(env.point.hjust = -0.5, env.point.vjust = -0.1, spec.point.hjust = 1) ) quickcor(varechem, type = "lower") + geom_square() + add_link(df02, mapping = aes(colour = col, size = r, linetype = lty), diag.label = TRUE, spec.label.hspace = 0.5, extra.params = extra.params) + # add_diag_label(angle = 45) + remove_axis("y") + expand_axis(x = 25) + ## 扩展x轴范围 scale_fill_gradient2n() + scale_colour_manual(values = c("#D95F02", "#1B9E77", "#D2D2D2")) + scale_size_area(max_size = 3) + scale_linetype_manual(values = c("dotted", "solid")) + guides( fill = guide_colourbar(title = "corr", order = 1), colour = guide_legend(title = "Mantel's p", order = 2), size = guide_legend(title = "Mantel's r", order = 3), linetype = "none" )

三组数据做相关

厚哥这个设计我认为很好，因为综合环境指标，和其他指标相关，同时将群落纳入其中，更加丰度了数据和合并处理和结论的流畅度。

corr <- fortify_cor(varechem, varespec[1:6])


extra.params <- extra_params(

spec.label = text_params(colour = "red", size = 7),

env.point = point_params(size = 2, fill = "grey80"),

spec.point = point_params(size = 4, shape = 24, fill = "red"),

link.params = link_params(spec.point.hjust = 3)

)

quickcor(corr) + geom_square() + add_link(df02, mapping = aes(colour = col, size = r, linetype = lty), spec.label.hspace = 0.5, extra.params = extra.params) + expand_axis(x = 15) + scale_fill_gradient2n() + scale_colour_manual(values = c("#D95F02", "#1B9E77", "#D2D2D2")) + scale_size_area(max_size = 3) + scale_linetype_manual(values = c("dotted", "solid")) + guides( fill = guide_colourbar(title = "corr", order = 1), colour = guide_legend(title = "Mantel's p", order = 2), size = guide_legend(title = "Mantel's r", order = 3), linetype = "none" )

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.value, 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 <- quickcor(varechem) + geom_square() + remove_axis("x") p2 <- quickcor(mantel, mapping = aes(fill = p.value), is.minimal = TRUE, keep.name = TRUE) + geom_star(aes(r = 0.65), n = 5, ratio = 0.6) plot_grid(p1, p2, ncol = 1, align = "v", labels = c('A', 'B'), rel_heights = c(0.135*dim( varechem)[2], 1))

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。```{r began, echo=TRUE, message=FALSE, warning=FALSE, paged.print=FALSE}

library(“phyloseq”)library(microbiomeSeq)library(“vegan”)library(“grid”)library(“gridExtra”)library(“ggplot2”)ps = readRDS(“.//psOTU.rds”)ps1 = psps1 = filter_taxa(ps1, function(x) sum(x ) > 200 , TRUE);ps1ps1 = transform_sample_counts(ps1, function(x) x / sum(x) );ps1

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

![image](https://note.youdao.com/yws/public/resource/b5f9f4caf166a4929e0a40c206e01c04/xmlnote/9C771DECA12E445C842CE18EB93352EB/42260) ```{R} #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。 quickcor(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 quickcor(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。 quickcor(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") quickcor(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,C = otu3,D = otu3)
a = dim(spe[[1]])[2]
b = dim(spe[[2]])[2]
c = dim(spe[[3]])[2]
d = dim(spe[[4]])[2]
spec.select = list(A = 1:a,

B = (a+1) :(b +a ),

C = (a +b +1) :(b +a +c),

D = (a +b +c +1) :(b +a +c +d)

)
df02 <- mantel_test(as.data.frame(spe), env_dat,

spec.select = spec.select) %>%

mutate(lty = cut(r, breaks = c(-Inf, 0, Inf),

labels = c("r <= 0", "r > 0")),

col = cut(p.value, breaks = c(0, 0.01, 0.05, 1),

labels = c("< 0.01", "< 0.05", ">= 0.05"),

right = FALSE, include.lowest = TRUE))

extra.params <- extra_params( spec.label = text_params(colour = "red", size = 7), env.point = point_params(size = 2, fill = "grey80"), spec.point = point_params(size = 4, shape = 24, fill = "red"), link.params = link_params(env.point.hjust = -0.5, env.point.vjust = -0.1, spec.point.hjust = 1) ) quickcor(env_dat, type = "lower") + geom_square() + add_link(df02, mapping = aes(colour = col, size = r, linetype = lty), diag.label = TRUE, spec.label.hspace = 0.5, extra.params = extra.params) + # add_diag_label(angle = 45) + remove_axis("y") + expand_axis(x = 25) + ## 扩展x轴范围 scale_fill_gradient2n() + scale_colour_manual(values = c("#D95F02", "#1B9E77", "#D2D2D2")) + scale_size_area(max_size = 3) + scale_linetype_manual(values = c("dotted", "solid")) + guides( fill = guide_colourbar(title = "corr", order = 1), colour = guide_legend(title = "Mantel's p", order = 2), size = guide_legend(title = "Mantel's r", order = 3), linetype = "none" )

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。

library(cowplot) library(cowplot)


mantel <- fortify_mantel(as.data.frame(spe), env_dat,

spec.select = spec.select,

mantel.fun = "mantel.randtest")

mantel$p <- cut(mantel$p.value, 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 <- quickcor(env_dat) + geom_square() + remove_axis("x") p2 <- quickcor(mantel, mapping = aes(fill = p.value), is.minimal = TRUE, keep.name = TRUE) + geom_star(aes(r = 0.65), n = 5, ratio = 0.6) plot_grid(p1, p2, ncol = 1, align = "v", labels = c('A', 'B'), rel_heights = c(0.14*dim( varechem)[2], 1))

Science这张惊艳图表终于完成了：最终稳定版本