10.6 微生物单组学快速分析示例

本章节将利用示例数据，完成一个微生物单组学的从导入的完成基本常见的分析流程。

示例数据下载：1. Github下载地址 2. 百度网盘下载地址

10.6.1 微生物数据导入

library(EasyMultiProfiler)

meta_data <- read.table('coldata.txt',header = T,row.names = 1)
data <- read.table('tax.txt',header = T,sep = '\t')

MAE <- EMP_easy_import(data = data,coldata = meta_data,type = 'tax')

10.6.2 微生物数据查看

查看当前微生物组学

MAE |>
  EMP_assay_extract() # 查看表达矩阵

MAE |>
  EMP_coldata_extract() # 查看表型数据

MAE |>
  EMP_rowdata_extract() # 查看物种注释

查看当前微生物组学门级别数据

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Phylum')

查看当前微生物组学纲级别数据

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Class')

10.6.3 微生物数据抽平 (非必须)

按照当前样本中最小读数进行抽平

MAE |>
  EMP_assay_extract() |>
  EMP_rrarefy()

自定义最小读数进行抽平

MAE |>
  EMP_assay_extract() |>
  EMP_rrarefy(raresize = 5000)

10.6.4 微生物数据标准化

在属水平上转化成相对丰度

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_decostand(method = 'relative')

在属水平上进行clr转化

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_decostand(method = 'clr')

在属水平上进行对数转化

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_decostand(method = 'log2+1')

10.6.5 微生物的批次矫正 (非必须)

根据表型数据中的区域因素，在属水平上进行批次矫正

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_adjust_abundance(.factor_unwanted = 'Region',
                       .factor_of_interest = 'Group',
                       method = 'combat_seq')

10.6.6 微生物核心菌种筛选

筛选出最小丰度0.001，且在至少一个分组的样本占有率超过70%的核心属

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_identify_assay(estimate_group = 'Group',method = 'default',
                     min=0.001,min_ratio = 0.7)

10.6.7 微生物alpha多样性分析

计算核心属的alpha多样性并绘制成箱型图

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_identify_assay(estimate_group = 'Group',method = 'default',
                     min=0.001,min_ratio = 0.7) |>
  EMP_alpha_analysis() |>
  EMP_boxplot(estimate_group = 'Group')

10.6.8 微生物beta多样性分析

计算核心属的beta多样性并绘制成图

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_identify_assay(estimate_group = 'Group',method = 'default',
                     min=0.001,min_ratio = 0.7) |>
  EMP_dimension_analysis(method = 'pcoa',distance = 'bray') |>
  EMP_scatterplot(estimate_group = 'Group',show='p12html',ellipse=0.3)

10.6.9 微生物差异分析

计算核心属的wilcox差异性分析,并筛选出差异菌属

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_diff_analysis(method = 'wilcox.test',estimate_group = 'Group') |>
  EMP_filter(feature_condition = pvalue < 0.05)

计算核心属的DESeq2差异性分析,并筛选出差异菌属

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_diff_analysis(method = 'DESeq2',.formula = ~Group) |>
  EMP_filter(feature_condition = pvalue < 0.05,keep_result = TRUE)

10.6.10 微生物机器学习关键菌

EMP包内置了Boruta算法、随机森林算法、xgboost算法和Lasso算法进行特征筛选。 详细用法可以使用help(EMP_marker_analysis)查看更多示例。

使用Boruta算法筛选出潜在有价值的菌属并绘制成热图

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_identify_assay(estimate_group = 'Group',method = 'default',
                     min=0.001,min_ratio = 0.7) |>
  EMP_marker_analysis(method = 'boruta',estimate_group = 'Group') |>
  EMP_filter(feature_condition = Boruta_decision!= 'Rejected') |>
  EMP_heatmap_plot(palette='Spectral',legend_bar='auto',
                   scale='standardize',
                   clust_row=TRUE,clust_col=TRUE)

使用Lasso算法筛选出与表型数据中Height密切相关的菌属并按照分组绘制成热图

MAE |>
  EMP_assay_extract() |> 
  EMP_collapse(collapse_by = 'row',estimate_group = 'Species') |>
  EMP_identify_assay(estimate_group = 'Group',method = 'default',
                     min=0.001,min_ratio = 0.7) |>
  EMP_marker_analysis(method = 'lasso',estimate_group = 'Height') |>
  EMP_filter(feature_condition = lasso_coe > 0) |>
  EMP_collapse(method = 'mean',estimate_group = 'Group',
               collapse_by = 'col') |>
  EMP_heatmap_plot(palette='Spectral',legend_bar='auto',
                   clust_row = TRUE,
                   scale='standardize')

10.6.11 微生物与表型的相关性分析

绘制差异菌属与表型数据相关性热图

diff_genus <- MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_diff_analysis(method = 'wilcox.test',estimate_group = 'Group') |>
  EMP_filter(feature_condition = pvalue < 0.05)

meta_data <- MAE |>
  EMP_coldata_extract(action = 'add')

(phylum_data + meta_data) |>
  EMP_cor_analysis() |>
  EMP_heatmap_plot()

10.6.12 微生物与表型的线性拟合

绘制Blautia菌属与表型数据中BMI的线性拟合

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(collapse_by = 'row',estimate_group = 'Genus') |>
  EMP_fitline_plot(var_select=c('Blautia','BMI'))

10.6.13 微生物的网络分析

筛选出差异菌属并与部分表型数据绘制网络分析图

MAE |>
  EMP_assay_extract() |>
  EMP_collapse(estimate_group = 'Genus',collapse_by = 'row') |>
  EMP_diff_analysis(method='wilcox.test', estimate_group = 'Group') |>
  EMP_filter(feature_condition = pvalue<0.05) |>
  EMP_network_analysis(coldata_to_assay = c('BMI','PHQ9','GAD7')) |>
  EMP_network_plot(node_info = 'Phylum',label.cex = 1,edge.labels = TRUE)

10.6.14 微生物的mantel分析及可视化

🏷️示例：利用BMI计算差异菌属和双歧杆菌的微生物集与表型数据进行mantel分析

第一步：安装并加载linkET包

devtools::install_github("Hy4m/linkET")
library(linkET)

第二步：利用BMI形成新的分组，并使用oneway差异分析筛选显著差异的菌属

diff_genus <- MAE |>
  EMP_assay_extract() |>
  EMP_mutate(Degree = dplyr::case_when(
    BMI < 18.5                        ~ "Lean",
    BMI >= 18.5 & BMI < 24            ~ "Normal",
    BMI >= 24 & BMI < 28              ~ "Fat",
    TRUE                              ~ "Need Med"
  ),mutate_by = 'sample',location = 'coldata',.after = Group)|>
  EMP_decostand(method = 'relative') |>
  EMP_collapse(estimate_group = 'Genus',collapse_by = 'row') |>
  EMP_diff_analysis(method = 'oneway.test',estimate_group = 'Degree') |>
  EMP_filter(feature_condition = pvalue < 0.05) |>
  EMP_assay_extract(action = 'get')
diff_genus

第三步：筛选双歧杆菌的菌属

Bifidobacterium <- MAE2 |>
  EMP_assay_extract() |>
  EMP_decostand(method = 'relative') |>
  EMP_assay_extract(pattern = 'Bifidobacterium',
                    pattern_ref = 'Genus',action = 'get')
Bifidobacterium

第四步：合并两个微生物数据集并提取出表型数据

tax_data <- purrr::reduce(list(Bifidobacterium,diff_genus),
                          inner_join,by='primary') |>
  tibble::column_to_rownames('primary')

meta_data <- MAE |>
  EMP_coldata_extract(action = 'get') |>
  dplyr::select(primary,Weight,BMI,Height,Education_Years) |>
  tibble::column_to_rownames('primary')

第五步：构建微生物数据和表型数据的mantel分析


mantel <- mantel_test(tax_data, meta_data,
                      spec_select = list(Bifido = 1:7,
                                         Diff = 8:10)) |>
  mutate(rd = cut(r, breaks = c(-Inf, -0.1, 0.1, Inf),
                  labels = c("< -0.1", "-0.1 - 0.1", ">= 0.1")),
         pd = cut(p, breaks = c(-Inf, 0.01, 0.05, Inf),
                  labels = c("< 0.01", "0.01 - 0.05", ">= 0.05")))
mantel

第六步：绘制mantel可视化结果

qcorrplot(correlate(meta_data,method='pearson'), type = "lower", diag = FALSE) +
  geom_square() +
  geom_couple(aes(colour = pd, size = rd), 
              data = mantel, 
              curvature = nice_curvature()) +
  scale_fill_gradientn(colours = RColorBrewer::brewer.pal(11, "RdBu")) +
  scale_size_manual(values = c(0.5, 1, 2)) +
  scale_colour_manual(values = color_pal(3)) +
  guides(size = guide_legend(title = "Mantel's r",
                             override.aes = list(colour = "grey35"), 
                             order = 2),
         colour = guide_legend(title = "Mantel's p", 
                               override.aes = list(size = 2), 
                               order = 1),
         fill = guide_colorbar(title = "Pearson's r", order = 2))
Copyright © 382983280@qq.com 2024 all right reserved，powered by Gitbook更新时间： 2025-10-28 00:18:12

results matching ""

    No results matching ""