adonis-cover
置换多元方差分析（Permutational multivariate analysis of variance，PERMANOVA），又称非参数多因素方差分析（nonparametric multivariate analysis of variance）、或者ADONIS分析。它利用距离矩阵(如欧式距离、Bray-Curtis距离)对总方差进行分解，分析不同分组因素或不同环境因子对样品差异的解释度，并使用「置换检验」对各个变量解释的统计学意义进行显著性分析。
一个例子
比如，对宏基因组检测的物种丰度数据进行PCA/NMDS/PCoA降维可视化后，不同组的样品之间存在一些重叠，那怎么判断这些组之间的样品构成是否存在显著差别呢？这就需要用到PERMANOVA检验了，检验不同组的样品中心点是否重叠。
example
以上面的PCoA图为例，椭圆圈出的四组样品点正好对应四个海拔分组，这四组样品之间的群落差异是否显著呢？检验组间群落差异本质上是检验距离矩阵之间的差异，普通的ANOVA分析无能为力。而基于距离矩阵的PerMANOVA分析则表明，这四个分组两两之间差异是显著的(p<0.05)。
❝Rui J, Li J, Wang S, et al. Responses of Bacterial Communities to Simulated Climate Changes in Alpine Meadow Soil of the Qinghai-Tibet Plateau. Appl Environ Microbiol. 2015;81(17):6070-6077. doi:10.1128/AEM.00557-15
❞
实战
PCoA
# Load package library(vegan) library(ggplot2) library(ggthemes) # Load data otu <- read.table('otu.txt',row.names = 1,header = T) group <- read.table('group.txt',header = T) #pcoa # vegdist函数，计算距离；method参数，选择距离类型 distance <- vegdist(otu, method = 'bray') # 对加权距离进行PCoA分析 pcoa <- cmdscale(distance, k = (nrow(otu) - 1), eig = TRUE) ## plot data # 提取样本点坐标 plot_data <- data.frame({pcoa$point})[1:2] # 提取列名，便于后面操作。 plot_data$ID <- rownames(plot_data) names(plot_data)[1:2] <- c('PCoA1', 'PCoA2') # eig记录了PCoA排序结果中，主要排序轴的特征值（再除以特征值总和就是各轴的解释量） eig = pcoa$eig #为样本点坐标添加分组信息 plot_data <- merge(plot_data, group, by = 'ID', all.x = TRUE) head(plot_data) # 计算加权bray-curtis距离 dune_dist <- vegdist(otu, method="bray", binary=F) dune_pcoa <- cmdscale(dune_dist, k=(nrow(otu) - 1), eig=T) dune_pcoa_points <- as.data.frame(dune_pcoa$points) sum_eig <- sum(dune_pcoa$eig) eig_percent <- round(dune_pcoa$eig/sum_eig*100,1) colnames(dune_pcoa_points) <- paste0("PCoA", 1:3) dune_pcoa_result <- cbind(dune_pcoa_points, group) head(dune_pcoa_result) library(ggplot2) ggplot(dune_pcoa_result, aes(x=PCoA1, y=PCoA2, fill=group)) + geom_point(shape = 21,color = 'black',size=4) + stat_ellipse(level=0.95)+ scale_fill_manual(values = c('#73bbaf','#d15b64','#592c93'))+ labs(x=paste("PCoA 1 (", eig_percent[1], "%)", sep=""), y=paste("PCoA 2 (", eig_percent[2], "%)", sep="")) + theme_classic()
PERMANOVA
# 基于bray-curtis距离进行计算 dune.div <- adonis2(otu ~ group, data = group, permutations = 999, method="bray") dune.div library(ggalt) dune_adonis <- paste0("adonis R2: ",round(dune.div$R2,2), "; P-value: ", dune.div$`Pr(>F)`) p <- ggplot(dune_pcoa_result, aes(x=PCoA1, y=PCoA2, fill=group)) + geom_point(shape = 21,color = 'black',size=4) + stat_ellipse(level=0.95)+ scale_fill_manual(values = c('#73bbaf','#d15b64','#592c93'))+ labs(x=paste("PCoA 1 (", eig_percent[1], "%)", sep=""), y=paste("PCoA 2 (", eig_percent[2], "%)", sep=""), title=dune_adonis) + theme_classic() p
image-20221228004115608
配对Adonis
# 配对Adonis确定两两分组之间对物种组成差异的影响 #devtools::install_github("pmartinezarbizu/pairwiseAdonis/pairwiseAdonis") library(pairwiseAdonis) dune.pairwise.adonis <- pairwise.adonis(x=otu, factors=group$group, sim.function = "vegdist", sim.method = "bray", p.adjust.m = "BH", reduce = NULL, perm = 999) library(ggpubr) library(patchwork) tab2 <- ggtexttable(dune.pairwise.adonis[,c("pairs","R2","p.value","p.adjusted")], rows = NULL, theme = ttheme("blank")) %>% tab_add_hline(at.row = 1:2, row.side = "top", linewidth = 1) %>% tab_add_hline(at.row = nrow(dune.pairwise.adonis)+1, row.side = "bottom", linewidth = 1) p + tab2 + plot_layout(design=c(area(1,1), area(2,1)))
往期内容
- CNS图表复现|生信分析|R绘图 资源分享&讨论群！
- 这图怎么画| 有点复杂的散点图
- 这图怎么画 | 相关分析棒棒糖图
- 组学生信| Front Immunol |基于血清蛋白质组早期诊断标志筛选的简单套路
- (免费教程+代码领取)|跟着Cell学作图系列合集
- Q&A | 如何在论文中画出漂亮的插图？
- 跟着 Cell 学作图 | 桑葚图(ggalluvial)
- R实战 | Lasso回归模型建立及变量筛选
- 跟着 NC 学作图 | 互作网络图进阶(蛋白+富集通路)(Cytoscape)
- R实战 | 给聚类加个圈圈(ggunchull)
- R实战 | NGS数据时间序列分析(maSigPro)
- 跟着 Cell 学作图 | 韦恩图(ggVennDiagram)
