之前有一位粉丝后台留言说能不能出一期有关于共线性网络的文章，说实话，小编之前只在文献中看到过这类图，对于其原理也是迷迷糊糊。看了好多别人写的文章，根据大佬们的思路，我也大致整理了一些代码，希望能对大家有所启发。话不多说，直接上正文吧！
1、前期准备
rm(list=ls())#clear Global Environment
setwd('D:\\桌面\\共线性网络分析')#设置工作路径
#安装包
install.packages('Hmisc')
install.packages("igraph")
#加载包
library(Hmisc)
library(igraph)
2、加载、预处理数据
1）加载数据
df1 <- read.table(file="otu.txt",sep="\t",header=T,check.names=FALSE,row.names = 1)
head(df1)
image.png
2）求相对丰度
df2 <- apply(df1,2,function(x) x/sum(x))
3）过滤低丰度OTU
df3 <- df2[which(rowSums(df2) >= 0.01), ]#将丰度小于0.01的舍弃
3、数据计算
1）计算OTU间的相关性
df_corr <- rcorr(t(df3), type = 'spearman')#这里我们计算spearman相关系数
2）提取R值、P值并校正P值
df_corr_r = df_corr$r
df_corr_p = df_corr$P#注意，这里P大写
# 使用BH法校正p值
df_p <- p.adjust(df_corr_p, method = 'BH')
3）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
df_corr_r[df_corr_p>0.05|abs(df_corr_r)<0.6] = 0
4）构建igraph对象
df_igraph <- graph_from_adjacency_matrix(df_corr_r,mode="undirected",weighted=TRUE,diag=FALSE)
5）提取权重
df_weight = E(df_igraph)$weight
4、简单绘图
# 设定随机种子数，后续出图都从同一随机种子数出发，保证前后出图形状相对应
set.seed(12)
plot(df_igraph,main="Co-occurrence network",vertex.frame.color=NA,vertex.label=NA,edge.width=1,
vertex.size=5,edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
image.png
5、个性化绘图
1）相关性颜色设置
# 如果构建网络时，weighted=NULL,此步骤不能统计
sum(df_weight>0)
sum(df_weight<0)
# 通过V()和E()对节点和边的属性进行访问
# 设置线的颜色,正相关为红色，负相关为蓝色
df_edge_color = ifelse(df_weight>0, "red",ifelse(df_weight<0, "blue","grey"))
E(df_igraph)$color = as.character(df_edge_color)
# 设定边的宽度，这里我们将相关系数与边宽进行关联
E(df_igraph)$width = abs(df_weight)*2.5
2）加入OTU丰度信息，使得节点大小代表丰度
data <- rowSums(df1)
data1=as.data.frame(data)
df_igraph_size = data1[V(df_igraph)$name,] # 筛选对应OTU属性
df_igraph_size2 = log10(df_igraph_size)#数据进行转换
V(df_igraph)$size = df_igraph_size2
3）节点颜色设置成OTU代表的门
data2=read.table(file="phylum_otu.txt",sep="\t",header=T,
check.names=FALSE,row.names = 1)
df_igraph_col = data2[V(df_igraph)$name,]
df_igraph_col2=as.factor(df_igraph_col)
levels(df_igraph_col2)
color=c("green","brown","pink")
levels(df_igraph_col2) = color # 直接修改levles可以使得值全部对应替换
V(df_igraph)$color = as.character(df_igraph_col2)
4）绘图
set.seed(12)
plot(df_igraph,main="Co-occurrence network",vertex.frame.color=NA,
edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0),
vertex.label.cex=.7,vertex.label.dist=1,#标签大小
layout=layout_in_circle#控制样式，具体见官方文档
)
image.png
5）添加图例
legend(x=-1.7,y=-0.7,levels(as.factor(df_igraph_col)),pch=21,col="black",pt.bg=color)
image.png
注：图中节点间的连线颜色代表OTU间的相关性，红色为正相关，蓝色为负相关，粗细代表相关性大小；节点大小代表丰度大小；节点颜色代表OTU的物种信息（门水平）
参考：
1）https://blog.csdn.net/woodcorpse/article/details/78737867
2）https://igraph.org/r/doc/layout_as_bipartite.html
源码及数据在微信公众号后台回复获取！！！
看不懂代码的，这里推荐几个可以在线做网络图的网站：
1）图图云（http://www.cloudtutu.com/）
2）ChiPot（https://www.chiplot.online/）
3）派森诺基因云（https://www.genescloud.cn/）
