作者：陈亮单位：中科院微生物所
编者按：上个月菌群月坛，在军科院听取王军组陈亮博士分享网络分析的经验，不仅使我对网络的背景知识有了更全面的认识，更使我手上一个关于菌根的课题有极大的启示。这么好的知识，当然希望和大家分享，故约稿陈博士在“宏基因组”发布一下他的经验，感谢陈博士的整理和分享。下面是正文：
网络分析背景知识近年来，随着计算机技术的发展，网络科学研究在社会网络方面的分析方法已经成熟，从而促进了网络分析方法向其他领域的渗透，例如：信号传导网络、神经网络、代谢通路网络、基因调控网络、生态网络等。
基于图论(Graphtheory)的网络科学认为，任何非连续事物之间的关系都可以用网络来表示，通过将互联网内的电脑、社会关系中的个人、生物的基因等不同属性的实体抽象为节点(Node)，并用连接(Link)来展示实体之间的关系，通过量化以节点和连接为组件的网络结构指数(Index)，从而能够在统一的框架下寻找复杂系统的共性。
目前生态学领域大家用到的网络图多为基于群落数据相关性构建的Co-occurrence网络图。此类网络可以采用R中igraph包构建并实现出图。当然，除此之外，还有一些非命令行的软件，例如cytoscape，gephi，pajek等。但我认为，对于R使用者来说，通过R做图还是最方便的。大致的流程如下图所示：
1）根据观察，实验或者相关性推断来确定物种间的联系。Co-occurrence网络的构建多是基于相关性推断来构建的。常用的相关性推断方法有Pearson，Spearman,Sparcc等方法。
2）通过构建的相关性矩阵或者相互作用列表来构建igraph对象。常用的方法有以下三种，分别由graph_from_incidence_matrix，graph_from_adjacency_matrix，graph_from_edgelist三个函数获得，详细信息参照igraph官方帮助文档。第一种数据格式是普通矩阵，矩阵中数字代表行列所代表的物种间存在联系，这种联系可通过实验或观察来得到。第二种数据格式是邻接矩阵，物种间相关性计算得到的通常为此种形式。第三种为边列表（edgelist）,共两列数据，分别代表网络内的节点名称，每一行代表这两个节点间存在着联系。
3）计算网络的各种参数，用以推断网络的性质。
常用网络参数有：
平均路径长度(Averagepathlength)：网络中任意两个节点之间的距离的平均值。其反映网络中各个节点间的分离程度。现实网络通常具有“小世界(Small-world)”特性。
聚集系数(Clusteringcoefficient)：分局域聚类系数和全局聚集系数，是反映网络中节点的紧密关系的参数，也称为传递性。整个网络的全局聚集系数C表征了整个网络的平均的“成簇性质”。
介数(Betweenness)：网络中不相邻的节点i和j之间的通讯主要依赖于连接节点i和j的最短路径。如果一个节点被许多最短路径经过，则表明该节点在网络中很重要。经过节点n的数量所占比例，介数反映了某节点在通过网络进行信息传输中的重要性。
连接性(Connectance)：网络中物种之间实际发生的相互作用数之和（连接数之和）占总的潜在相互作用数（连接数）的比例，可以反映网络的复杂程度。
此外还包括：度分布(Degreedistribution)、平均度(Averagedegree)、平均介数(Averagebetweenness)、平均最近邻度(Averagenearest-neighbordegree)、直径(Diameter)、介数中心性(Betweennesscentralization)和度中心性(Degreecentralization)等参数。各网络参数计算方法及意义参见igraph.org官方帮助文档。
群落数据co-occurrence实例网络分析需要两个文件，OTU表和OTU的属性；具体格式见测试数据下载链接：后台回复“网络”获取
1.最简单的网络图
#设置工作目录：请修改下方目录或在Rstudio的Session菜单中选择下载测试数据所在的目录#setwd("~/Downloads/chenliang")#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")#加载包library(igraph)library(psych)#读取otu-sample矩阵，行为sample，列为otuotu=read.table("otu_table.txt",head=T,row.names=1)#计算OTU间两两相关系数矩阵#数据量小时可以用psych包corr.test求相关性矩阵，数据量大时，可应用WGCNA中corAndPvalue,但p值需要借助其他函数矫正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#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0occor.r[occor.p0.05
abs(occor.r)0.6]=0#构建igraph对象igraph=graph_from_adjacency_matrix(occor.r,mode="undirected",weighted=TRUE,diag=FALSE)igraph#NOTE:可以设置weighted=NULL,但是此时要注意此函数只能识别相互作用矩阵内正整数，所以应用前请确保矩阵正确。#可以按下面命令转换数据#occor.r[occor.r!=0]=1#igraph=graph_from_adjacency_matrix(occor.r,mode="undirected",weighted=NULL,diag=FALSE)#是否去掉孤立顶点，根据自己实验而定#removeisolatednodes，即去掉和所有otu均无相关性的otu可省略，前期矩阵已处理过bad.vs=V(igraph)[degree(igraph)==0]igraph=delete.vertices(igraph,bad.vs)igraph#将igraphweight属性赋值到igraph.weightigraph.weight=E(igraph)$weight#做图前去掉igraph的weight权重，因为做图时某些layout会受到其影响E(igraph)$weight=NA#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()plot(igraph,main="Co-occurrencenetwork",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))
最简单的点线网络图
2.按相关类型设置边颜色
#如果构建网络时，weighted=NULL,此步骤不能统计sum(igraph.weight0)#numberofpostivecorrelationsum(igraph.weight0)#numberofnegativecorrelation#setedgecolor，postivecorrelation设定为red,negativecorrelation设定为blueE.color=igraph.weightE.color=ifelse(E.color0,"red",ifelse(E.color0,"blue","grey"))E(igraph)$color=as.character(E.color)#改变edge颜色后出图set.seed()plot(igraph,main="Co-occurrencenetwork",vertex.frame.color=NA,vertex.label=NA,edge.width=1,vertex.size=5,edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
边按相关性着色，正相关为红色，负相关为蓝色
3.按相关性设置边宽度
#可以设定edge的宽度setedgewidth，例如将相关系数与edgewidth关联E(igraph)$width=abs(igraph.weight)*4#改变edge宽度后出图set.seed()plot(igraph,main="Co-occurrencenetwork",vertex.frame.color=NA,vertex.label=NA,vertex.size=5,edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
边宽度为4倍相关系数绝对值，看看边是不是有粗有细，越粗代表相关绝对值越大
4.设置点的颜色和大小属性对应物种和丰度
#添加OTU注释信息，如分类单元和丰度#另外可以设置verticessize,verticescolor来表征更多维度的数据#注意otu_pro.txt文件为我随机产生的数据，因此网络图可能不会产生特定的模式或规律。otu_pro=read.table("otu_pro.txt",head=T,row.names=1)#setverticessizeigraph.size=otu_pro[V(igraph)$name,]#筛选对应OTU属性igraph.size1=log((igraph.size$abundance)*)#原始数据是什么，为什么*再取e对数V(igraph)$size=igraph.size1#setverticescolorigraph.col=otu_pro[V(igraph)$name,]levels(igraph.col$phylum)levels(igraph.col$phylum)=c("green","deeppink","deepskyblue","yellow","brown","pink","gray","cyan","peachpuff")#直接修改levles可以连值全部对应替换V(igraph)$color=as.character(igraph.col$phylum)set.seed()plot(igraph,main="Co-occurrencenetwork",vertex.frame.color=NA,vertex.label=NA,edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
点大小对应OTU丰度，颜色对应门分类学种类
5.调整布局样式
#改变layout,layout有很多，具体查看igraph官方帮助文档。set.seed()plot(igraph,main="Co-occurrencenetwork",layout=layout_with_kk,vertex.frame.color=NA,vertex.label=NA,edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))set.seed()plot(igraph,main="Co-occurrencenetwork",layout=layout.fruchterman.reingold,vertex.frame.color=NA,vertex.label=NA,edge.lty=1,edge.curved=TRUE,margin=c(0,0,0,0))
不同的布局选项，和上图有什么变化
6.按模块着色
#模块性modularityfc=cluster_fast_greedy(igraph,weights=NULL)#cluster_walktrapcluster_edge_betweenness,cluster_fast_greedy,cluster_spinglassmodularity=modularity(igraph,membership(fc))#按照模块为节点配色早期白癜风北京市中科医院好不好