放弃Venn-Upset-花瓣图,拥抱二分网络
生物信息学习的正确姿势
NGS系列文章包括NGS基础、在线绘图、转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这)、ChIP-seq分析 (ChIP-seq基本分析流程)、单细胞测序分析 (重磅综述:三万字长文读懂单细胞RNA测序分析的最佳实践教程)、DNA甲基化分析、重测序分析、GEO数据挖掘(典型医学设计实验GEO数据分析 (step-by-step))、批次效应处理等内容。
写在前面
让点随机排布在一个区域,保证点之间不重叠,并且将点的图层放到最上层,保证节点最清晰,然后边可以进行透明化,更加突出节点的位置。这里我新构建了布局函数 PolyRdmNotdCirG 来做这个随机排布。调用的是packcircles包的算法。使用和其他相似函数一样,这里我们重点介绍一下使用这种算法构造的二分网络布局。
微生物网络
ggClusterNet 安装
ggClusterNet包依赖的R包均在cran或者biocductor中,所以未能成功安装,需要检查依赖是否都顺利安装。如果网路问题,无法下载R包,可以在github中手动下载安装:具体安装方法参考:玩转R包
#---ggClusterNet
devtools::install_github("taowenmicro/ggClusterNet")
#--如果无法安装请检查网络或者换个时间
导入R包和输入文件
#--导入所需R包#-------
library(ggplot2)
library(ggrepel)
library(ggClusterNet)
library(phyloseq)
library(dplyr)# 数据内置
#-----导入数据#-------
data(ps)#--可选
#-----导入数据#-------
ps = readRDS("../ori_data/ps_liu.rds")
这里我们提取一部分OTU,节省出图时间。
# ps
data(ps)ps_sub = filter_taxa(ps, function(x) sum(x ) > 20 , TRUE)
ps_sub = filter_taxa(ps_sub, function(x) sum(x ) < 30 , TRUE)
ps_sub
div_network函数 用于计算共有和特有关系
这个函数是之前我写的专门用于从OTU表格整理成Gephi的输入文件,所以大家直接用这个函数即可转到gephi进行操作。这次为了配合二分网络,我设置了参数flour = TRUE,代表是否仅仅提取共有部分和特有部分。
# ?div_network
result = div_network(ps_sub,num = 6)edge = result[[1]]
head(edge)# levels(edge$target)
# node = result[[2]]
# head(node)
#
# tail(node)
data = result[[3]]
dim(data)#----计算节点坐标
# flour参数,设置是否仅仅展示共有和特有的二分网络
div_culculate函数 核心算法,用于计算二分网络的节点和边的表格
参数解释:
distance = 1.1:
中心一团点到样本点距离
distance2 = 1.5:
中心点模块到独有OTU点之间距离
distance3 = 1.3:
样本点和独有OTU之间的距离
order = FALSE :
节点是否需要随机扰动效果
result <- div_culculate(table = result[[3]],distance = 1.1,distance2 = 1.5,distance3 = 1.3,order = FALSE)edge = result[[1]]
head(edge)plotdata = result[[2]]
head(plotdata)
#--这部分数据是样本点数据
groupdata <- result[[3]]
对OTU进行注释,方便添加到图形上
为了让节点更加丰富,这里我对节点文件添加了注释信息。
# table(plotdata$elements)
node = plotdata[plotdata$elements == unique(plotdata$elements), ]otu_table = as.data.frame(t(vegan_otu(ps_sub)))
tax_table = as.data.frame(vegan_tax(ps_sub))
res = merge(node,tax_table,by = "row.names",all = F)
dim(res)
head(res)
row.names(res) = res$Row.names
res$Row.names = NULL
plotcord = resxx = data.frame(mean =rowMeans(otu_table))
head(xx)
plotcord = merge(plotcord,xx,by = "row.names",all = FALSE)
head(plotcord)
# plotcord$Phylum
row.names(plotcord) = plotcord$Row.names
plotcord$Row.names = NULL
head(plotcord)
p = ggplot() + geom_segment(aes(x = X1, y = Y1, xend = X2, yend = Y2),data = edge, size = 0.3,color = "yellow") +geom_point(aes(X1, X2,fill = Phylum,size =mean ),pch = 21, data = plotcord) +geom_point(aes(X1, X2),pch = 21, data = groupdata,size = 5,fill = "blue",color = "black") +geom_text_repel(aes(X1, X2,label = elements ), data = groupdata) +theme_void()pggsave("4.png",p,width = 12,height = 8)
map = as.data.frame(sample_data(ps_sub))map$Group2 <- rep(c("A1","A2","A3","A4","A5","A6"),3)sample_data(ps_sub) <- map
# ?div_network
result = div_network(ps_sub,num = 3,group = "Group2",flour = TRUE)edge = result[[1]]
head(edge)# levels(edge$target)
# node = result[[2]]
# head(node)
#
# tail(node)data = result[[3]]
dim(data)#----计算节点坐标
# flour参数,设置是否仅仅展示共有和特有的二分网络result <- div_culculate(table = result[[3]],distance = 1.1,distance2 = 1.5,distance3 = 1.3,order = FALSE)edge = result[[1]]
head(edge)plotdata = result[[2]]
head(plotdata)groupdata <- result[[3]]# table(plotdata$elements)
node = plotdata[plotdata$elements == unique(plotdata$elements), ]otu_table = as.data.frame(t(vegan_otu(ps_sub)))
tax_table = as.data.frame(vegan_tax(ps_sub))
res = merge(node,tax_table,by = "row.names",all = F)
dim(res)
head(res)
row.names(res) = res$Row.names
res$Row.names = NULL
plotcord = resxx = data.frame(mean =rowMeans(otu_table))
head(xx)
plotcord = merge(plotcord,xx,by = "row.names",all = FALSE)
head(plotcord)
# plotcord$Phylum
row.names(plotcord) = plotcord$Row.names
plotcord$Row.names = NULL
head(plotcord)p = ggplot() + geom_segment(aes(x = X1, y = Y1, xend = X2, yend = Y2),data = edge, size = 0.3,color = "yellow") +geom_point(aes(X1, X2,fill = Phylum,size =mean ),pch = 21, data = plotcord) +geom_point(aes(X1, X2),pch = 21, data = groupdata,size = 5,fill = "blue",color = "black") +geom_text_repel(aes(X1, X2,label = elements ), data = groupdata) +theme_void()
p
ggsave("4.png",p,width = 12,height = 8)
map = as.data.frame(sample_data(ps_sub))map = map[1:12,]# map$Group2 <- rep(c("A1","A2","A3","A4","A5","A6"),2)
sample_data(ps_sub) <- mapresult = div_network(ps_sub,num = 3,group = "Group",flour = TRUE)edge = result[[1]]
head(edge)# levels(edge$target)
# node = result[[2]]
# head(node)
#
# tail(node)data = result[[3]]
dim(data)result <- div_culculate(table = result[[3]],distance = 1.1,distance2 = 1.5,distance3 = 1.3,order = FALSE)edge = result[[1]]
head(edge)plotdata = result[[2]]
head(plotdata)groupdata <- result[[3]]# table(plotdata$elements)
node = plotdata[plotdata$elements == unique(plotdata$elements), ]otu_table = as.data.frame(t(vegan_otu(ps_sub)))
tax_table = as.data.frame(vegan_tax(ps_sub))
res = merge(node,tax_table,by = "row.names",all = F)
dim(res)
head(res)
row.names(res) = res$Row.names
res$Row.names = NULL
plotcord = resxx = data.frame(mean =rowMeans(otu_table))
head(xx)
plotcord = merge(plotcord,xx,by = "row.names",all = FALSE)
head(plotcord)
# plotcord$Phylum
row.names(plotcord) = plotcord$Row.names
plotcord$Row.names = NULL
head(plotcord)p = ggplot() + geom_segment(aes(x = X1, y = Y1, xend = X2, yend = Y2),data = edge, size = 0.3,color = "yellow") +geom_point(aes(X1, X2,fill = Phylum,size =mean ),pch = 21, data = plotcord) +geom_point(aes(X1, X2),pch = 21, data = groupdata,size = 5,fill = "blue",color = "black") +geom_text_repel(aes(X1, X2,label = elements ), data = groupdata) +theme_void()p# ggsave("4.png",p,width = 12,height = 22)
在线绘制 Venn 图和二分网络图,点击阅读原文或扫描二维码访问吧!
往期精品(点击图片直达文字对应教程)
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
后台回复“生信宝典福利第一波”或点击阅读原文获取教程合集
放弃Venn-Upset-花瓣图,拥抱二分网络相关推荐
- 放弃Venn-Upset-花瓣图,在线拥抱二分网络
生物信息学习的正确姿势 NGS系列文章包括NGS基础.在线绘图.转录组分析 (Nature重磅综述|关于RNA-seq你想知道的全在这).ChIP-seq分析 (ChIP-seq基本分析流程).单细胞 ...
- 【论文笔记】BINE:二分网络嵌入
BiNE: Bipartite Network Embedding 三.问题定义 我们首先给出本文中使用的符号,然后形式化要解决的二分网络嵌入问题. 符号:设G = (U, V, E)为二分网络,其中 ...
- AntV中的饼状图中的花瓣图旁边的文字显示label怎样修改
场景 官方花瓣图实例: http://antv.alipay.com/zh-cn/g2/3.x/demo/pie/pie-platelets.html 官方示例效果: 需要修改成的效果 需要将图形旁边 ...
- AntV中的饼状图中的花瓣图中的ToolTip怎样修改
场景 官方花瓣图实例: http://antv.alipay.com/zh-cn/g2/3.x/demo/pie/pie-platelets.html 官方示例效果: 官方的提示: 官方示例代码: & ...
- AntV的花瓣图中鼠标悬浮提示信息去掉与修改
场景 SpringBoot+AntV实现饼状图中的花瓣图: https://blog.csdn.net/BADAO_LIUMANG_QIZHI/article/details/92810169 在实现 ...
- SpringBoot+AntV实现饼状图中的花瓣图
场景 效果 简介 Anv官网: http://antv.alipay.com/zh-cn/g2/3.x/index.html G2是可视化图形语法. G2的API文档: https://www.yuq ...
- Shell图形化监控网络流量
shell图形化监控网络流量 网络流量的监控工具有很多,如:Mrtg.Cacti.Zabbix等等,他们都有着各自的特点,不同的侧重,只为适合不同的应用场景的各种特殊需求.除了网络流量监控工具以外,还 ...
- 腾讯游戏自研学术成果:基于图分割的网络表征学习初始化技术
图是一种通用的数据表现形式,图算法逐渐在大数据处理中展现其价值.网络表征学习算法作为目前比较主流的一种图数据处理算法,引起学术界和工业界的极大兴趣. 本文介绍了 IEG 在网络表征学习方面的一个自研学 ...
- 探索图神经网络的网络架构和训练方法
摘要:本文我们将主要介绍各种典型的图神经网络的网络架构和训练方法. 本文我们将主要介绍各种典型的图神经网络的网络架构和训练方法.文章<A Comprehensive Survey on Grap ...
最新文章
- javascript解析json
- PLL_BASE——Basic Phase Locked Loop Clock Circuit(Virtex-5, Spartan-6)
- 广告中oCPX到底是如何进行优化的
- 机器学习笔记(七):神经网络:表示
- pythontuple([1、2、3)_Python 语句\nprint(tuple([1,2,3]))\n的运行结果是
- esp32-智能语音-录音(保存于SD卡)
- 机器学习与差分隐私(认证鲁棒性和隐私保护)
- 动手学深度学习(PyTorch实现)(二)--softmax与分类模型
- 书籍推荐:Machine Learning Yearning
- Pinyin4NET 发布到 NUGET 服务器
- 微信小程序——极点日历使用方法
- webstack开源网站导航源码
- 最新 | 诺奖得主涉嫌论文造假
- web移动开发总结(一)
- win10误删的注册表能还原吗_win10注册表删错了怎么办_win10注册表删错东西如何恢复-win7之家...
- 【java】列表导出excel(支持单元格内容换行展示)
- Nature:细菌增长和扩张的平衡机制
- MP3解码流程(一)-----音频文件结构解析
- 计算机关于容量换算long转double精确度更准确
- 理赔实录|有了「安心赔」,理赔不再愁