分层关联分析简介
什么是Halla(Hierarchical All-against-All association)分析？
HAllA（Hierarchical All-against-All association）是一种在高维、异构数据集中寻找多分辨率关联的计算方法。用于以高功率发现数据特征之间的显著关系。对数据类型具有很强的鲁棒性，可以对连续值和分类值进行操作，并且在同质数据集（所有测量值都属于同一类型，例如基因表达微阵列）和异构数据（包含具有不同单位或类型的测量值，例如患者临床数据）上都能很好地工作。HAllA是探索代谢组学、转录组学、微生物组学、蛋白质组学等多个组学之间相关性的有力工具。
参考：https://github.com/biobakery/halla
标签：#微生物组数据分析 #MicrobiomeStatPlot #分层关联分析 #R语言可视化 #Hierarchical All-against-All association analysis
作者：First draft(初稿)：Defeng Bai(白德凤)；Proofreading(校对)：Ma Chuang(马闯) and Jiani Xun(荀佳妮)；Text tutorial(文字教程)：Defeng Bai(白德凤)
源代码及测试数据链接：
https://github.com/YongxinLiu/MicrobiomeStatPlot/项目中目录 3.Visualization_and_interpretation/Halla
或公众号后台回复“MicrobiomeStatPlot”领取
本文是Hui Wang团队2022年发表于Nature Microbiology(Liu et al., 2022)的文章。题目为：Multi-kingdom microbiota analyses identify bacterial–fungal interactions and biomarkers of colorectal cancer across cohorts. https://doi.org/10.1038/s41564-021-01030-7
图 8 | 四界不同物种与不同功能途径之间的关联。
热图显示了用 HAlla 确定的细菌或真菌物种与不同代谢途径之间的斯皮尔曼相关性。
图 9 | 多界标记与不同功能途径之间的关联。
热图显示了细菌或真菌物种与不同代谢途径之间的斯皮尔曼相关性，这些代谢途径是通过使用默认参数的 HAlla 确定的。P值由双侧Benjamini-Hochberg-Yekutieli估计，精确P值显示在单元格中。
结果
物种与功能之间的关联。微生物物种与其功能之间的斯皮尔曼关联是使用层次全反方法 v.0.8.17 (http://huttenhower.sph.harvard.edu/ halla)进行的，该方法是一种用于在高维异构数据集中发现多分辨率关联的计算方法。FDR<0.01的关联被纳入下游分析。
源代码及测试数据链接：
https://github.com/YongxinLiu/MicrobiomeStatPlot/
或公众号后台回复“MicrobiomeStatPlot”领取
软件包安装
# 基于CRAN安装R包，检测没有则安装p_list = c("circlize", "tidyr", "dplyr")for(p in p_list){if (!requireNamespace(p)){install.packages(p)}library(p, character.only = TRUE, quietly = TRUE, warn.conflicts = FALSE)}# 基于Bioconductor安装R包if (!requireNamespace("ComplexHeatmap", quietly = TRUE))BiocManager::install("ComplexHeatmap")# 加载R包 Load the packagesuppressWarnings(suppressMessages(library(circlize)))suppressWarnings(suppressMessages(library(tidyr)))suppressWarnings(suppressMessages(library(dplyr)))suppressWarnings(suppressMessages(library(ComplexHeatmap)))
实战
通过在线网站http://galaxy.biobakery.org/中的HALLA模块实现
# 读取并处理数据 - 关联矩阵数据# Read and process data - association matrix dataassoc_data <- read.table("data/all_associations.txt", header = TRUE, sep = "\t")# 转换为宽数据格式# From wide to longassoc_matrix <- assoc_data %>%pivot_wider(names_from = Y_features, values_from = association)# 将X_features列设置为行名# Set the X_features column as row namesrownames(assoc_matrix) <- assoc_matrix$X_featuresassoc_matrix <- assoc_matrix[, -1]# 生成颜色渐变# Set colorheatmap_colors <- colorRamp2(c(min(assoc_matrix, na.rm = TRUE),0,max(assoc_matrix, na.rm = TRUE)),c("#87CEFF", "white", "#FF7256"))# 绘制基础热图并展示聚类# Plot heatmapheatmap_plot <- Heatmap(as.matrix(assoc_matrix),name = "Association",col = heatmap_colors,cluster_rows = TRUE,cluster_columns = TRUE,show_row_dend = TRUE,show_column_dend = TRUE,row_names_gp = gpar(fontsize = 10),column_names_gp = gpar(fontsize = 10))# 保存热图至PDF文件# Save plotpdf("results/halla_association01_clustered.pdf", width = 10, height = 8)draw(heatmap_plot)dev.off()#> png#> 2# 读取并处理数据 - q值矩阵数据# Read and process data - q value matrix dataq_value_data <- read.table("data/all_q_value.txt", header = TRUE, sep = "\t")# 转换为宽数据格式# Wide to longq_value_matrix <- q_value_data %>%pivot_wider(names_from = Y_features, values_from = q.values)# 将X_features列设置为行名# Set the X_features column as row namesrownames(q_value_matrix) <- q_value_matrix$X_featuresq_value_matrix <- q_value_matrix[, -1]# 绘制带有q值的热图，并展示聚类# Plot heatmapheatmap_with_q <- Heatmap(as.matrix(assoc_matrix),name = "Association",col = heatmap_colors,cluster_rows = TRUE,cluster_columns = TRUE,show_row_dend = TRUE,show_column_dend = TRUE,row_names_gp = gpar(fontsize = 10),column_names_gp = gpar(fontsize = 10),cell_fun = function(j, i, x, y, width, height, fill) {q_val <- q_value_matrix[i, j]if (!is.na(q_val) && q_val < 0.05) {grid.text(sprintf("%.3f", q_val), x, y,gp = gpar(fontsize = 6))}})# 保存带有q值的热图至PDF文件# Save plotpdf("results/halla_association2_clustered.pdf", width = 10, height = 8)draw(heatmap_with_q)dev.off()#> png#> 2
使用此脚本，请引用下文：
Yong-Xin Liu, Lei Chen, Tengfei Ma, Xiaofang Li, Maosheng Zheng, Xin Zhou, Liang Chen, Xubo Qian, Jiao Xi, Hongye Lu, Huiluo Cao, Xiaoya Ma, Bian Bian, Pengfan Zhang, Jiqiu Wu, Ren-You Gan, Baolei Jia, Linyang Sun, Zhicheng Ju, Yunyun Gao, Tao Wen, Tong Chen. 2023. EasyAmplicon: An easy-to-use, open-source, reproducible, and community-based pipeline for amplicon data analysis in microbiome research. iMeta 2: e83. https://doi.org/10.1002/imt2.83
Copyright 2016-2024 Defeng Bai baidefeng@caas.cn, Chuang Ma 22720765@stu.ahau.edu.cn, Jiani Xun 15231572937@163.com, Yong-Xin Liu liuyongxin@caas.cn
猜你喜欢
iMeta高引文章 fastp 复杂热图 ggtree 绘图imageGP 网络iNAP
iMeta网页工具 代谢组MetOrigin 美吉云乳酸化预测DeepKla
iMeta综述 肠菌菌群 植物菌群 口腔菌群 蛋白质结构预测
10000+：菌群分析 宝宝与猫狗 梅毒狂想曲 提DNA发Nature
一文读懂：宏基因组 寄生虫益处 进化树 必备技能：提问 搜索 Endnote
16S功能预测 PICRUSt FAPROTAX Bugbase Tax4Fun
生物科普: 肠道细菌 人体上的生命 生命大跃进 细胞暗战 人体奥秘
写在后面
为鼓励读者交流快速解决科研困难，我们建立了“宏基因组”讨论群，己有国内外6000+ 科研人员加入。请添加主编微信meta-genomics带你入群，务必备注“姓名-单位-研究方向-职称/年级”。高级职称请注明身份，另有海内外微生物PI群供大佬合作交流。技术问题寻求帮助，首先阅读《如何优雅的提问》学习解决问题思路，仍未解决群内讨论，问题不私聊，帮助同行。
点击阅读原文
