综合利用igraph-Gephi-Cytoscape进行微生物群落的共现网络分析

第一步：利用R软件中igraph包进行网络构建

https://blog.csdn.net/woodcorpse/article/details/78737867

# 安装需要的包，默认不安装，没安装过的请取消如下注释

install.packages("igraph")

install.packages("psych")

install.packages("Hmisc") 

# 加载包

library(igraph)

library(psych)

library(Hmisc)

# 读取otu-sample矩阵，行为sample，列为otu

otu = read.table("FH100.txt", head=T, row.names=1)

# 输入文件FH100.txt格式

# 计算少量样品OTU间两两相关系数矩阵

 occor = corr.test(otu,use="pairwise",method="spearman",adjust="fdr",alpha=.05)

 occor.r = occor$r # 取相关性矩阵R值

 occor.p = occor$p# 取相关性矩阵p值

# 计算大量OTU间两两相关系数矩阵

#occor<-rcorr(as.matrix(otu),type = "spearman")

#occor.r = occor$r # 取相关性矩阵r值

#occor.p = occor$P # 取相关性矩阵P值， P大写！

#Multiple testing correction using Benjamini-Hochberg standard false discovery rate correction ("FDR-BH")

#occor.p<-p.adjust(occor.p, method="BH")

# 确定物种间存在相互作用关系的阈值，将相关性R矩阵内不符合的数据转换为0

occor.r[occor.p>0.05|abs(occor.r)<0.6] = 0

#保存相关性结果

write.csv(occor.r," FH100_r.occor.0.05.0.6.csv")

write.csv(occor.p," FH100_p.occor.0.05.0.6.csv")

# 构建igraph对象

igraph = graph_from_adjacency_matrix (occor.r, mode="undirected", weighted=TRUE, diag=FALSE)

igraph

# 将igraph weight属性赋值到igraph.weight

igraph.weight = E(igraph)$weight

# 简单出图

# 设定随机种子数，后续出图都从同一随机种子数出发，保证前后出图形状相对应

set.seed(123)

plot(igraph, main="Co-occurrence network",vertex.frame.color=NA, vertex.label=NA, edge.width=1, vertex.size=5, edge.lty=1, edge.curved=TRUE, margin=c(0,0,0,0))

#统计正相关和负相关

sum(igraph.weight>0)# number of positive correlation

sum(igraph.weight<0)# number of negative correlation

#选择GraphML格式导出：

write_graph(igraph, " FH100.graphml","graphml")

#CK随机网络的构建

g <- erdos.renyi.game(100, 359, "gnm") #构建与100个点359个边的随机网络

#计算随机生成10000次指定网络节点数与网络边数随机网络的Average path length(APL)平均值和标准差

apl<-mean(replicate(10000, average.path.length(erdos.renyi.game(100, 359, "gnm"))))

apl

apl.sd<-sd(replicate(10000, average.path.length(erdos.renyi.game(100, 359, "gnm"))))

apl.sd

#计算随机生成10000次指定网络节点数与网络边数随机网络的聚集系数(Clustering coefficient)平均值和标准差

cc<-mean(replicate(10000, transitivity(erdos.renyi.game(100, 359, "gnm"))))

cc

cc.sd<-sd(replicate(10000, transitivity(erdos.renyi.game(100, 359, "gnm"))))

cc.sd

#计算随机生成10000次指定网络节点数与网络边数随机网络的modularity(M)平均值和标准差

f <- function() {

    g <- erdos.renyi.game(100, 359, "gnm")

    fc <- cluster_fast_greedy(g, weights=NULL)

    modularity(g, membership(fc))

}

mo<-mean(replicate(10000, f()))

mo

mo.sd<-sd(replicate(10000, f()))

mo.sd

第二步：利用Gephi软件进行可视化

将生成的"FH100.graphml"网络，导入Gephi，在数据资料界面，分别导出点文件和边文件，进行编辑，如下

点文件：

边文件：

将编辑后的点文件和边文件重新导入Gephi文件，在预览界面，选择布局（一般选择Fruchterman Reingold），设置节点大小（以丰度Abundance或度Degree为指标）和颜色（以门Phylum或模块Modularity为指标），设置边的颜色（正负PN），并点击应用，在界面右侧的统计中点击运行；

在预览界面设置边的颜色（选择original）、粗细（调整Max. rescaled weight），显示标签等，更换参数需时时刷新，并导出图片。

第三步：利用Cytoscape软件进行Z、P值、度分布等计算

http://blog.sciencenet.cn/blog-3334560-1174680.html

http://www.iasi.cnr.it/~dsantoni/GIANT/giant.html

Cumbo et al. (2014) GIANT: A Cytoscape Plugin for Modular Networks. Plos One 9 e105001

Jiang et al. (2016) Crop rotations alter bacterial and fungal diversity in paddy soils across East Asia. Soil Biology & Biochemistry 95 250-261.

整理好网络TXT文件：

打开Cytoscape，File-Import-Network-File...，选择网络TXT文件，设置source node和target node：

然后打开Apps -- GIANT对话框，导入当前网络（1），选择构建Cluster（2），利用MCL反复构建Cluster（3），计算（4），关闭MCL窗口后，计算（5）。

结果如下图所示，可将结果导出