保姆级教程：用R包ggClusterNet一键搞定微生物网络分析，从数据到Zi-Pi图全流程

零基础实战用ggClusterNet完成微生物网络分析与Zi-Pi图全流程解析在微生物生态学研究中网络分析已成为揭示微生物群落互作关系的重要工具。然而对于刚接触这一领域的科研人员来说从数据准备到结果解读的全流程往往充满挑战。本文将带你一步步使用R语言中的ggClusterNet包完成从原始数据到关键物种识别的完整分析过程特别适合没有编程基础的初学者快速上手。1. 环境准备与数据导入1.1 安装必要R包首先需要在R环境中安装ggClusterNet及其依赖包。打开RStudio或R控制台依次执行以下命令# 安装CRAN上的基础包 install.packages(c(phyloseq, igraph, tidyverse, ggrepel)) # 从GitHub安装ggClusterNet if (!require(remotes)) install.packages(remotes) remotes::install_github(taowenmicro/ggClusterNet)安装完成后加载所有需要的包library(phyloseq) library(igraph) library(tidyverse) library(ggClusterNet)提示如果遇到依赖包安装失败可以尝试先单独安装出错的包再重新执行上述命令。1.2 数据准备与导入ggClusterNet支持两种数据输入方式使用包内置示例数据或导入自己的数据。对于初学者建议先从示例数据开始# 加载示例数据 data(ps)如果是自己的数据需要准备以下文件OTU表otutab.csv样本元数据metadata.csv分类信息表tax_table.csv系统发育树otus.tree可选导入自定义数据的完整代码如下# 读取各数据文件 metadata - read.csv(metadata.csv, row.names 1) otutab - read.csv(otu_table.csv, row.names 1) taxonomy - read.csv(tax_table.csv, row.names 1) tree - read_tree(otus.tree) # 如果没有树文件可省略 # 创建phyloseq对象 ps - phyloseq( sample_data(metadata), otu_table(as.matrix(otutab), taxa_are_rows TRUE), tax_table(as.matrix(taxonomy)), phy_tree(tree) # 可选 )2. 微生物网络构建与分析2.1 相关性网络计算微生物网络的核心是计算OTU/ASV之间的相关性。ggClusterNet提供了corMicro函数简化这一过程result - corMicro( ps ps, N 250, # 使用丰度前250的OTU r.threshold 0.8, # 相关系数阈值 p.threshold 0.05, # p值阈值 method pearson # 相关性计算方法 )得到的result对象包含三个元素相关性矩阵corp值矩阵过滤后的phyloseq对象ps_net2.2 网络可视化基础将相关性结果转换为网络图需要两个步骤# 生成节点和边数据 result4 - nodeEdge(cor result[[1]]) edge - result4[[1]] # 边数据 node - result4[[2]] # 节点数据 # 创建igraph对象 igraph - graph_from_data_frame(edge, directed FALSE, vertices node)此时可以绘制基础网络图plot(igraph, vertex.size 5, vertex.label NA)3. 网络属性计算与解读3.1 全局网络属性计算网络整体特征指标net_props - net_properties.2(igraph, n.hub TRUE) write.csv(net_props, net_properties.csv)关键指标解释指标名称生物学意义参考范围平均路径长度信息传递效率通常2-5模块性网络分化程度0.3-0.7聚类系数节点聚集程度0-13.2 节点级别分析计算每个OTU/ASV的网络特征node_props - node_properties(igraph) write.csv(node_props, node_properties.csv)重要节点指标包括度中心性Degree连接数介数中心性Betweenness桥梁作用紧密中心性Closeness信息传递效率4. Zi-Pi分析与关键物种鉴定4.1 一键生成Zi-Pi图ggClusterNet最强大的功能之一是直接生成Zi-Pi图res - ZiPiPlot(igraph igraph, method cluster_fast_greedy) p - res[[1]] ggsave(ZiPi_plot.png, p, width 8, height 6)Zi-Pi图将微生物分为四类网络中心Network hubs模块中心Module hubs连接者Connectors边缘物种Peripherals4.2 关键物种筛选识别网络中的关键物种# 计算hub分数 hub_scores - hub_score(igraph)$vector top_hubs - sort(hub_scores, decreasing TRUE)[1:10] # 可视化 library(ggplot2) ggplot(data.frame(OTU names(top_hubs), Score top_hubs)) geom_col(aes(x Score, y reorder(OTU, Score)), fill steelblue) labs(y OTU, title Top 10 Hub Species)5. 高级可视化与结果优化5.1 美化网络图使用ggplot2风格的可视化pnet - ggplot() geom_segment(aes(x X1, y Y1, xend X2, yend Y2, color weight), data edge, alpha 0.5) geom_point(aes(X1, X2, fill Phylum, size Degree), pch 21, data node) scale_size_continuous(range c(2, 8)) theme_minimal()5.2 结果解读技巧在实际项目中我们发现这些经验特别有用冬季样本的网络复杂度通常高于夏季关键物种往往与特定环境因子显著相关高度模块化的网络通常更稳定遇到问题时可以尝试调整相关系数阈值r.threshold这是影响网络结构最敏感的参数。从0.6到0.9逐步测试找到最适合数据的阈值。