论文
Chromosome-level assemblies of multiple Arabidopsis genomes reveal hotspots of rearrangements with altered evolutionary dynamics
https://www.nature.com/articles/s41467-020-14779-y
拟南芥NC_panGenome.pdf
分析代码的github主页
https://github.com/schneebergerlab/AMPRIL-genomes
论文中组装了7个拟南芥的基因组，做了一些泛基因组相关的分析，数据和大部分代码都公开了，我们试着复现一下其中的图和一些分析过程，今天的推文复现一下论文中的figure2d 下侧的小图，泛基因组分析的论文里通常都有这个图
这个展示的也是基因家族，先用orthorfinder做聚类，然后利用orthorfinder的结果进行统计，作图数据整理成了如下格式，数据有两个，一个是泛基因组的基因家族数量，一个是核心基因家族的数量，如何根据orthorfinder结果统计得到这个表格，论文对应的github主页也提供了相应的脚本，今天主要介绍画图
论文中提供的代码是用R语言的基础绘图函数做的，这里我们用ggplot2来作图
首先是核心基因家族
可以用连续的点或者我也看到有用箱线图做的
这里我用箱线图，看起来可能会好看一点
library(tidyverse)
library(ggplot2)
dat01<-read.table("data/20230318/Source_Data.Figure2/Fig2d/pan-genome.gene.clustering.core-genome.txt",
header = FALSE)
ggplot()+
geom_boxplot(data=dat01,aes(x=factor(V1),y=V2),fill="#3ba889")
拟合模型并添加拟合曲线
xvalue_core<-dat01 %>% pull(V1)
yvalue_core<-dat01 %>% pull(V2)
model_core<-nls(yvalue_core~A*exp(B*xvalue_core)+C,
start = list(A=800,B=-0.3,C=800))
summary(model_core)
dat_core<-data.frame(x=seq(1,8,by=0.1),
y=predict(model_core,newdata = data.frame(xvalue_core=seq(1,8,by=0.1))))
ggplot()+
geom_boxplot(data=dat01,aes(x=factor(V1),y=V2),fill="#3ba889")+
geom_line(data=dat_core,aes(x=x,y=y),
lty="dashed")
泛基因组
dat02<-read.table("data/20230318/Source_Data.Figure2/Fig2d/pan-genome.gene.clustering.pan-genome.txt",
header = FALSE)
xvalue_pan<-dat02 %>% pull(V1)
yvalue_pan<-dat02 %>% pull(V2)
model_pan<-nls(yvalue_pan~A*exp(B*xvalue_pan)+C,
start = list(A=800,B=-0.3,C=800))
model_pan
summary(model_pan)
dat_pan<-data.frame(x=seq(1,8,by=0.1),
y=predict(model_pan,newdata = data.frame(xvalue_pan=seq(1,8,by=0.1))))合起来作图和美化
ggplot()+
geom_boxplot(data=dat01,aes(x=factor(V1),y=V2),fill="#3ba889")+
geom_line(data=dat_core,aes(x=x,y=y),
lty="dashed")+
geom_boxplot(data=dat02,aes(x=factor(V1),y=V2),fill="#4593c3")+
geom_line(data=dat_pan,aes(x=x,y=y),
lty="dashed")+
theme_bw()+
theme(panel.grid = element_blank())+
labs(x="Number of genomes",y="Pan-enome size\n(gene number)") -> p1
ggplot()+
geom_boxplot(data=dat01,aes(x=factor(V1),y=V2),fill="#f18e0c")+
geom_line(data=dat_core,aes(x=x,y=y),
lty="dashed")+
geom_boxplot(data=dat02,aes(x=factor(V1),y=V2),fill="#af2934")+
geom_line(data=dat_pan,aes(x=x,y=y),
lty="dashed")+
theme_bw()+
theme(panel.grid = element_blank())+
labs(x="Number of genomes",y="Pan-enome size\n(gene number)") -> p2
p2
library(patchwork)
p1+p2
这里有个问题是nls()函数拟合的时候会有一个start参数，这个参数里的值怎么确定，暂时没有想明白
示例数据和代码可以给推文点赞，然后点击在看，最后留言获取
欢迎大家关注我的公众号
小明的数据分析笔记本
小明的数据分析笔记本 公众号 主要分享：1、R语言和python做数据分析和数据可视化的简单小例子；2、园艺植物相关转录组学、基因组学、群体遗传学文献阅读笔记；3、生物信息学入门学习资料及自己的学习笔记！
微信公众号好像又有改动，如果没有将这个公众号设为星标的话，会经常错过公众号的推文，个人建议将 小明的数据分析笔记本 公众号添加星标，添加方法是
点开公众号的页面，右上角有三个点
点击三个点，会跳出界面
