微生物生态数据分析—

微生物生态数据分析——冗余分析

sa=read.table("NRRDA.csv",header=T,row.names=1,sep=",")
env=read.table("NRenv.csv",header=T,sep=",",row.names=1)
name <- read.table("name.csv", header=F,sep=",",colClasses=c("character","character"))#用作产生图例，对样本进行分类
library(vegan)
decorana(sa)#DCA函数，用于决定选择进行RDA或者CCA
#如果DCA排序前4个轴中最大值超过4，选择单峰模型排序更合适。如果是小于3，则选择线性模型更好(Lepx & Smilauer 2003)。如果介于3-4之间，单峰模型和线性模型都可行
sam=rda(sa,env,center=T,scale=T)
plot(sam,scaling=3)#plot(gts.rda,display=c("sp","bp"),scaling=3)
# display=c("sp","bp") 表示显示物种与环境因子。如果显示样方与环境因子，可以表示为display=c("si","bp")，如果物种、样方和环境因子同时显示，可以设定display=c("sp","si","bp")。
library(ggplot2)
new=sam$CCA
samples<-data.frame(sample=row.names(new$u),RDA1=new$u[,1],RDA2=new$u[,2])
name=name$V2#分类文件
species<-data.frame(spece=row.names(new$v),RDA1=new$v[,1],RDA2=new$v[,2])
envi<-data.frame(en=row.names(new$biplot),RDA1=new$biplot[,1],RDA2=new$biplot[,2])
rda1 =round(sam$CCA$eig[1]/sum(sam$CCA$eig)*100,2) #第一轴标签,显示解释度
rda2 =round(sam$CCA$eig[2]/sum(sam$CCA$eig)*100,2) #第二轴标签,显示解释度
line_x = c(0,envi[1,2],0,envi[2,2],0,envi[3,2])  #行数与ling_g数量一致，envi[line_g,2]
line_x
line_y = c(0,envi[1,3],0,envi[2,3],0,envi[3,3])
line_y
line_g = c("grazing","grazing","Tot bio","Tot bio","ND","ND")
line_g
line_data = data.frame(x=line_x,y=line_y,group=line_g)
line_data
#开始重绘RDA图
#填充样本数据，分别以RDA1,RDA2为X,Y轴，不同样本以颜色区分
ggplot(data=samples,aes(RDA1,RDA2)) + geom_point(aes(color=sample),size=2)#生成图例的数据使用的是sample，不是samples！，不然会提示错误: Aesthetics must be either length 1 or the same as the data (6): colour, x, y
#geom_point(aes(color=name),size=2
#填充微生物物种数据，不同物种以图形区分,seq增加形状数量+ geom_point(data=species,aes(shape=spece),size=2) + scale_shape_manual(values=seq(0,15))+
#填充环境因子数据，直接展示
geom_text(data=envi,aes(label=en),color="blue") +
#添加0刻度纵横线
geom_hline(yintercept=0) + geom_vline(xintercept=0)+
#添加原点指向环境因子的带箭头的直线，size可以调节直线粗细
geom_line(data=line_data,aes(x=x,y=y,group=group),color="green") +
geom_segment(data=line_data,aes(x=x,y=y,xend = line_data[,1], yend = line_data[,2],group=group),color="black",size=1.5,arrow=arrow(angle=35, length=unit(0.3, "cm"))) +
#添加横纵坐标轴标签
labs(title="RDA Plot",x=paste("RDA1 ",rda1," %"),y=paste("RDA2 ",rda2," %")) +
#标题字体格式设置
#theme(text=element_text(family="serif"))+
#去除背景颜色及多余网格线
theme_bw() + theme(panel.grid=element_blank())
#大功告成，保存为矢量图等等
ggsave("NRRDA2.PDF")
#RDA更详细的分析，
summary(sam)
#检验环境因子相关显著性（Monte Carlo permutation test）
permutest(sam,permu=999) # permu=999是表示置换循环的次数
ef=envfit(sam,env,permu=999)#每个环境因子显著性检验
ef

看到有很多同学问导入的数据格式问题，我重新写了一份详细的排序分析文章，发在了公众号“科学研究进行时”上，文章名称：R绘图-RDA排序分析，里面有数据格式的截图，大家可以扫描二维码关注查看。

微生物生态数据分析——冗余分析相关推荐

rda冗余分析步骤_分子生态网络分析（MENA）构建微生物网络示例
分子生态网络分析(MENA)构建微生物网络示例续前文"微生物共发生网络",本篇继续简介分子生态网络分析(Molecular Ecological Network Analysis, ...
rda冗余分析步骤_FEMS Microbiol Ecol |微生物生态学中的多变量分析
[论文题目]Multivariate analyses in microbial ecology [期刊名称]FEMS Microbiology Ecology, 2007, 62:142-160 [ ...
中国农科院微生物生态和进化方向博士后招聘（有高通量数据分析经验者优先）...
中国农科院微生物生态和进化方向博士后招聘(有高通量数据分析经验者优先) 1.团队介绍张西美老师团队隶属于中国农业科学院农业环境与可持续发展研究所,办公地址设在北京市海淀区中关村南大街12号.研究组组 ...
遗传：微生物组数据分析方法与应用
本文版权归<遗传>杂志,已获授权,转载请联系杂志社微生物组数据分析方法与应用刘永鑫1,2,秦媛1,2,3,郭晓璇1,2,白洋1,2,3 1. 中国科学院遗传与发育生物学研究所,植物基因 ...
众筹编写《微生物组数据分析与可视化实战》——成为宏基因组学百科全书的创始人...
众筹编写<微生物组数据分析与可视化实战>--成为宏基因组学百科全书的创始人高通量测序的发展极大地推动了微生物组/宏基因组领域的发展.微生物组的数据分析和解读需要微生物学.生物信息学.统计 ...
爆款入门 | 微生物组-扩增子16S分析和可视化(线上/线下同时开课，2022.4)
福利公告:为了响应学员的学习需求,经过易生信培训团队的讨论筹备,现决定安排扩增子16S分析.宏基因组.转录组的线上/线下同时开课.报名参加线上直播课的老师可在1年内选择参加同课程的一次线下课 .期待和 ...
ISME：微生物网络构建与分析面临的挑战
关注我们一起探索微生物领域的奥妙摘要微生物网络作为当下一种流行的数据分析方法被广泛应用于微生物群落研究.虽然目前已有许多并不断有新的微生物网络构建方法被开发出来,但与数据预处理.混杂因素.网络评 ...
75分钟入门微生物组数据分析和结果解读—刘永鑫(合肥，2021年6月23日)
感谢中科院南京土壤所褚海燕老师的邀请,参加<土壤生物多样性与生物化学过程研讨会>的<微生物生态与生物信息技术培训>专场. 本次会议800余人的规议,第三天现场仍然座无虚席如下: ...
微生物组-扩增子16S分析第12期(报名直播课免费参加线下2021.7)
文章目录课程简介课程大纲一.生信基础知识和技巧二.图表解读和绘制三.扩增子基础和分析流程四.可重复计算和统计绘图五.功能预测和机器学习六.网络和环境因子分析往期精彩回顾主讲教师刘 ...
Nature Microbiology: 微生物数据的系统发育分析方法
本文转载自美格基因,己获授权. 佳作推荐推荐指数:★★★★★ 阅读时间:4 分钟文本字数:1800字推荐理由: 这篇文章总结了对微生物组数据的系统发育进行分析的几种方法,举例说明不同方法适用的数 ...

微生物生态数据分析——冗余分析

微生物生态数据分析——冗余分析

微生物生态数据分析——冗余分析相关推荐

最新文章

热门文章