技术贴 | R语言：组学关联分析和pheatmap可视化 / 开普饭

本文由阿童木根据实践经验而整理，希望对大家有帮助。

原创微文，欢迎转发转载。

举例展示R语言组学关联分析的方法。宏基因组数据以KO-样品丰度表为例。代谢组数据以metabolite-样品丰度表为例。基本方法是用R语言psych包corr.test函数进行两组数据的相关分析，结果经格式化后用pheatmap可视化得热图。

一、模拟输入

1. KO丰度表

代码：

ko_abun = as.data.frame(matrix(abs(round(rnorm(200, 100, 10))), 10, 20)) colnames(ko_abun) = paste("KO", 1:20, sep="_") rownames(ko_abun) = paste("sample", 1:10, sep="_") ko_abun

图 1

2. metabolite丰度表

代码：

metabo_abun = as.data.frame(matrix(abs(round(rnorm(200, 200, 10))), 10, 20)) colnames(metabo_abun) = paste("met", 1:20, sep="_") rownames(metabo_abun) = paste("sample", 1:10, sep="_") metabo_abun

图 2

二、相关分析函数

思路

参数一：other -> KO或其他组学丰度表
参数二：metabo -> 代谢物丰度表
参数三：route -> 输出目录【提前创建】
corr.test进行两组数据相关分析
用stringr split将ko-metabolite结果列拆成两列
结果保留r_value p_value
显著相关标记“*”

library(psych) library(stringr)


correlate = function(other, metabo, route)

{

    #  读取方式：check.name=F, row.names=1, header=T

    # 计算相关性:

    result=data.frame(print(corr.test(other, metabo, use="pairwise", method="spearman", adjust="fdr", alpha=.05, ci=TRUE, minlength=50), short=FALSE, digits=5))
# 整理结果

    pair=rownames(result)  # 行名

    result2=data.frame(pair, result[, c(2, 4)])  # 提取信息
# P值排序

    result3=data.frame(result2[order(result2[,"raw.p"], decreasing=F),])
# 格式化结果【将细菌代谢物拆成两列】

    result4=data.frame(str_split_fixed(result3$pair, "-", 2), result3[, c(2, 3)])

colnames(result4)=c("feature_1", "feature_2", "r_value", "p_value")

# 保存提取的结果 write.table(result4, file=paste(route, "Correlation_result.txt", sep="/"), sep="\t", row.names=F, quote=F) }

三、相关性分析

代码

dir.create("Result") # 创建结果目录 correlate(ko_abun, metabo_abun, "Result")

结果Correlation_result.txt如下，行数为20X20

图3

四、pheatmap可视化函数

思路：

参数一：infile ->Correlation_result.txt相关性分析结果
参数二：route -> Route输出路径
用reshape2 dcast函数把feature_1 feature_2 p_value做成matrix，作为pheatmap输入文件
用reshape2 dcast函数把feature_1 feature_2 r_value做成matrix，作为pheatmap display

代码：

library(reshape2) library(pheatmap)


correlate_pheatmap = function(infile, route)

{

    data=read.table(paste(route, infile, sep="/"), sep="\t", header=T)
data_r=dcast(data, feature_1 ~ feature_2, value.var="r_value")

    data_p=dcast(data, feature_1 ~ feature_2, value.var="p_value")

    rownames(data_r)=data_r[,1]

    data_r=data_r[,-1]

    rownames(data_p)=data_p[,1]

    data_p=data_p[,-1]
# 用"*"代替<=0.05的p值，用""代替>0.05的相对丰度

    data_mark=data_p

    for(i in 1:length(data_p[,1])){

        for(j in 1:length(data_p[1,])){

            data_mark[i,j]=ifelse(data_p[i,j] <= 0.05, "*", "")

        }

    }

pheatmap(data_r, display_numbers=data_mark, cellwidth=20, cellheight=20, fontsize_number=18, filename=paste(route, "Correlation_result.pdf", sep="/")) pheatmap(data_r, display_numbers=data_mark, cellwidth=20, cellheight=20, fontsize_number=18, filename=paste(route, "Correlation_result.png", sep="/")) }

五、pheatmap绘制热图

代码：

correlate_pheatmap("Correlation_result.txt", "Result")

结果目录，新增结果图（一个png一个pdf）：