微生物 OTU ASV Feature table过滤2 基于qiime2的bar plot导出的

#导入的是直接bar导出的csv【有group变量】
originaldata=read.csv("level-6.csv.csv",row.names = 1,header=F)
dim(originaldata)
data1=originaldata
ncol(data1)
data1 <- data1[,-114]  #去掉最后一列分组的
ncol(data1)
data2 <- as.data.frame(t(data1))
library(tidyverse)
data3 <- rownames_to_column(data2,var='id')
nrow(data3)
taxonomy <- data3[1:113,1:2]
#检查下
table(taxonomy$id == rownames(data2))#用来过滤的数据是
#去掉第一行
data <- data1[-1,]data[1:3,1:3] #此时的{行=样本} 列为OTU#转化为数值
dim(data)  #
str(data[1:3]) #需要转化成数值
data[,1:113]<-lapply(data[,1:113],as.numeric)
#ASVs with fewer than 10 reads were removed.
data[data < 10] <- 0#过滤方法1
library(Hmisc)#相对丰度转化A=data  #行=样本
C=A/rowSums(A)
genus=t(C)#可选事先过滤一些低丰度或低频的类群，行=OTU
#例如只保留相对丰度总和高于 0.02% 的属
genus <- genus[which(rowSums(genus) >= 0.0002), ] genus1 <- genus
#大于0的赋值为1
genus1[genus1>0] <- 1
#上一步大于0变成1后，下一步合算1多少个，保留下来 259*20%=51.8
genus <- genus[which(rowSums(genus1) >=52 ), ]
#例如只保留在 52个及以上样本中出现的属#合并Taxonomy
genus <- as.data.frame(genus)
genus2 <- rownames_to_column(genus,var='no')final <- left_join(genus2,taxonomy,by=c('no'='id'))  #向data1的names1有的合并(全部变量)
final <- select(final,index,everything())
final <- select(final,-no)
final[1:2,1:2]
#导出数据
write.csv(final,"L6_filter_0.0002.csv",row.names =FALSE )

微生物 OTU ASV Feature table过滤2 基于qiime2的bar plot导出的相关推荐

OTU/ASV/Feature tabel 表格过滤相对丰度微生物
自己看微生物扩增子或宏基因组文章的材料方法,找过滤标准然后转化成相对丰度 #导入数据 #行=样本列=OTU data=read.csv("L6.csv",row.names ...
PICRUSt2：OTU/ASV等16S序列随意预测宏基因组，参考数据库增大10倍
PICRUSt推出了近6年,引用2500余次. 现推出PICRUSt2 https://github.com/picrust/picrust2 具有以下三大优势: 任何OTU/ASV直接预测功能: 数 ...
根据代表性序列预测OTU/ASV生活史策略——寡营养型or富营养型
一.原理介绍丰富的资源会促进细菌的生长,特别是富营养型细菌的生长.快速的生长需要大量的核糖体,富营养性细菌会持有更多的核糖体RNA操纵子(number of ribosomal RNA operon ...
2021-10-29【微生物】丨基于qiime2工具16S/ITS分析全套流程（上）
目录摘要工具与方法流程与命令数据录入,去重与质控结果展示生成features table(OTU) 结果展示发育树生成部分结果展示注释分类结果展示总结摘要前两个月项目特别多, ...
tensorflow 协同过滤_基于django和协同过滤/cnn的电影推荐系统
技术前端: bootstrap3 + vue + jquery 后端: django 2.2.1 +djangorestframework (MVC框架) 数据库: mysql 数据集: 1. 豆瓣 ...
推荐机制协同过滤和基于内容推荐的区别
基于人口统计学的推荐基于人口统计学的推荐机制(Demographic-based Recommendation)是一种最易于实现的推荐方法,它只是简单的根据系统用户的基本信息发现用户的相关程度,然后 ...
协同过滤算法概述与python 实现协同过滤算法基于内容（usr-item,item-item）
协调过滤推荐概述协同过滤(Collaborative Filtering)作为推荐算法中最经典的类型,包括在线的协同和离线的过滤两部分.所谓在线协同,就是通过在线数据找到用户可能喜欢的物品,而离线过 ...
如何使用Spring+SpringMVC+Mybatis开发实现个性化小说推荐系统协同过滤推荐算法实现基于用户、项目的协同过滤推荐基于聚类、关联规则、内容推荐算法 WebNovelCFRS
如何使用Spring+SpringMVC+Mybatis开发实现个性化小说推荐系统协同过滤推荐算法实现基于用户.项目的协同过滤推荐基于聚类.关联规则.内容推荐算法 WebNovelCFRS 一. ...
基于Qiime2处理Silva数据库
生物信息学习提示:仅供学习交流使用. 基于Qiime2处理Silva数据库前言一.安装Qiime2 二.通过Qiime2下载Silva数据库 1.RESCRIPt安装 2.下载处理Silva数据 ...

微生物 OTU ASV Feature table过滤2 基于qiime2的bar plot导出的

微生物 OTU ASV Feature table过滤2 基于qiime2的bar plot导出的相关推荐

最新文章

热门文章