導(dǎo)讀

用R軟件corr.test函數(shù)進(jìn)行兩組數(shù)組的相關(guān)性分析，用Cytoscape繪制相關(guān)網(wǎng)絡(luò)圖。

一、輸入數(shù)據(jù)

代謝數(shù)據(jù)：metabo.txt

示例數(shù)據(jù)

16S數(shù)據(jù)：genus.txt

示例數(shù)據(jù)

二、R分析相關(guān)性

計(jì)算genus和metabo相關(guān)性

利用psych函數(shù)包中的corr.test函數(shù)計(jì)算兩組數(shù)據(jù)之間的相關(guān)性
參數(shù)說明:
pairwise: 樣品配對(duì)剔除
use: 相關(guān)性計(jì)算方法pearson/spearman/kendall
adjust: 矯正方法
ci & alpha: 置信區(qū)間
minlength: 縮寫長(zhǎng)度

# 加載函數(shù)包
library(psych)

# 數(shù)據(jù)導(dǎo)入
genus=read.table("genus.txt", row.names=1, header=T, sep="\t")
metabo=read.table("metabo.txt", row.names=1, header=T, sep="\t")

# 計(jì)算相關(guān)性: print & data.frame調(diào)整結(jié)果格式
result_pair=data.frame(print(corr.test(genus, metabo, use="pairwise", method="spearman", adjust="fdr", alpha=.05, ci=TRUE, minlength=10), short=FALSE))

# 查看結(jié)果
head(result_pair)

三、整理分析結(jié)果

pair=rownames(result_pair)  # 行名
result_pair2=data.frame(result_pair[, c(2, 4)], pair)  # 提取信息

# P值排序
result_pair3=data.frame(result_pair2[order(result_pair2[,"raw.p"], decreasing=F),])

# 統(tǒng)計(jì)顯著相關(guān)的數(shù)量
n=0
for(i in 1:nrow(result_pair3))
{
    if(result_pair3[i, 2]<=0.05)
    {
        n=n+1    
    }
}
# n=71

# 提取顯著相關(guān)結(jié)果
result_pair4=result_pair3[result_pair3$raw.p<=0.05, ]

# 保存提取的結(jié)果
write.table(result_pair4, file="corr.txt", sep="\t", row.names=F, quote=F)

查看結(jié)果：相關(guān)性大于在[-1, 1]之間，絕對(duì)值越接近1表示相關(guān)性越強(qiáng)