网络图

作者

[编辑] 黄丹

[贡献] 新叶, 郑虎

在微生物组学研究中，理解微生物之间的相互作用至关重要。而网络分析作为一种强大的方法，能够帮助我们可视化和量化这些复杂关系。接下来向大家介绍 MetaNet 包的网络操作与注释功能，它能让我们的网络分析更加深入和直观。

示例

NetworkPlot DEMO

环境配置

  • 系统要求： 跨平台（Linux/MacOS/Windows）

  • 编程语言：R

  • 依赖包：MetaNet; pcutils; igraph; dplyr

# 安装包
if (!requireNamespace("MetaNet", quietly = TRUE)) {
  install.packages("MetaNet")
}
if (!requireNamespace("pcutils", quietly = TRUE)) {
  install.packages("pcutils")
}
if (!requireNamespace("igraph", quietly = TRUE)) {
  install.packages("igraph")
}
if (!requireNamespace("dplyr", quietly = TRUE)) {
  install.packages("dplyr")
}

# 加载包
library(MetaNet)
library(pcutils)
library(igraph)
library(dplyr)

数据准备

1. 导入数据

  • 数据使用 pcutils 中的 otutab 数据集
  • MetaNet 是一个针对组学数据的综合网络分析 R 包
  • c_net_calculate() 函数用于快速计算变量间的相关性
  • c_net_build() 函数用于构建网络
data(otutab, package = "pcutils")
t(otutab) -> totu
c_net_calculate(totu, method = "spearman") -> corr
c_net_build(corr, r_threshold = 0.6, p_threshold = 0.05, delete_single = T) -> co_net
class(co_net) 
[1] "metanet" "igraph"

2. 获取网络属性

用 MetaNet 构建网络后，得到的是一个分类对象，它来自 igraph。意味着可以同时使用 MetaNet 的专有功能和 igraph 的通用功能。接下来了解如何获取网络的基本信息：

# 获取整体网络属性
get_n(co_net)
  n_type
1 single
# 查看节点(顶点)属性
get_v(co_net) %>% head(5)
                          name  v_group  v_class size
1 s__un_f__Thermomonosporaceae v_group1 v_class1    4
2        s__Pelomonas_puraquae v_group1 v_class1    4
3     s__Rhizobacter_bergeniae v_group1 v_class1    4
4     s__Flavobacterium_terrae v_group1 v_class1    4
5         s__un_g__Rhizobacter v_group1 v_class1    4
                         label  shape   color
1 s__un_f__Thermomonosporaceae circle #a6bce3
2        s__Pelomonas_puraquae circle #a6bce3
3     s__Rhizobacter_bergeniae circle #a6bce3
4     s__Flavobacterium_terrae circle #a6bce3
5         s__un_g__Rhizobacter circle #a6bce3
### 查看边属性
get_e(co_net) %>% head(5)
  id                         from                            to    weight
1  1 s__un_f__Thermomonosporaceae     s__Actinocorallia_herbida 0.6759546
2  2 s__un_f__Thermomonosporaceae       s__Kribbella_catacumbae 0.6742386
3  3 s__un_f__Thermomonosporaceae       s__Kineosporia_rhamnosa 0.7378741
4  4 s__un_f__Thermomonosporaceae   s__un_f__Micromonosporaceae 0.6236449
5  5 s__un_f__Thermomonosporaceae s__Flavobacterium_saliperosum 0.6045747
        cor      p.value   e_type     width   color  e_class lty
1 0.6759546 0.0020739524 positive 0.6759546 #48A4F0 e_class1   1
2 0.6742386 0.0021502138 positive 0.6742386 #48A4F0 e_class1   1
3 0.7378741 0.0004730567 positive 0.7378741 #48A4F0 e_class1   1
4 0.6236449 0.0056818984 positive 0.6236449 #48A4F0 e_class1   1
5 0.6045747 0.0078660171 positive 0.6045747 #48A4F0 e_class1   1

这些函数返回的数据框包含了最基本的多组学生物网络的关键信息，如节点名称、分组、大小、边的权重等。 MetaNet 在构建网络时已经设置了一些内部属性（如v_group、v_class、e_type等），这些属性将影响后续的分析和可视化。

3. 为网络添加生物学意义

在微生物组研究中，仅有网络结构是不够的，我们需要整合分类学、丰度等生物学信息。MetaNet 提供了灵活的注释功能：

# 向节点添加分类信息
c_net_annotate(co_net, taxonomy["Phylum"], mode = "v") -> co_net1
anno <- data.frame("from" = "s__un_f__Thermomonosporaceae", 
                   "to" = "s__Actinocorallia_herbida", new_atr = "new")
c_net_annotate(co_net, anno, mode = "e") -> co_net1

在 MetaNet 中提供 c_net_set() 函数，它可以同时添加多个注释表并指定哪些列用于设置节点大小、颜色等属性：

Abundance_df <- data.frame("Abundance" = colSums(totu))
co_net1 <- c_net_set(co_net, taxonomy["Phylum"], Abundance_df)
co_net1 <- co_net
V(co_net1)$new_attri <- seq_len(length(co_net1))
E(co_net1)$new_attri <- "new attribute"
get_e(co_net1) %>% head(5)
  id                         from                            to    weight
1  1 s__un_f__Thermomonosporaceae     s__Actinocorallia_herbida 0.6759546
2  2 s__un_f__Thermomonosporaceae       s__Kribbella_catacumbae 0.6742386
3  3 s__un_f__Thermomonosporaceae       s__Kineosporia_rhamnosa 0.7378741
4  4 s__un_f__Thermomonosporaceae   s__un_f__Micromonosporaceae 0.6236449
5  5 s__un_f__Thermomonosporaceae s__Flavobacterium_saliperosum 0.6045747
        cor      p.value   e_type     width   color  e_class lty     new_attri
1 0.6759546 0.0020739524 positive 0.6759546 #48A4F0 e_class1   1 new attribute
2 0.6742386 0.0021502138 positive 0.6742386 #48A4F0 e_class1   1 new attribute
3 0.7378741 0.0004730567 positive 0.7378741 #48A4F0 e_class1   1 new attribute
4 0.6236449 0.0056818984 positive 0.6236449 #48A4F0 e_class1   1 new attribute
5 0.6045747 0.0078660171 positive 0.6045747 #48A4F0 e_class1   1 new attribute

这样，就能获得一个既有统计意义又有生物学背景的网络信息。

可视化

1. 构建网络

简单多组学网络：包含微生物组，代谢组，转录组等信息。

# 基础网络图
data("multi_test", package = "MetaNet")
data("c_net", package = "MetaNet")
multi1 <- multi_net_build(list(Microbiome = micro, Metabolome = metab, Transcriptome = transc))
plot(multi1)

基础网络图

2. 添加 annotation

# 设置顶点类别
multi1_with_anno <- c_net_set(multi1, 
                              micro_g, metab_g, 
                              transc_g, 
                              vertex_class = c("Phylum", "kingdom", "type"))

# 设置顶点大小
multi1_with_anno <- c_net_set(multi1_with_anno,
                              data.frame("Abundance1" = colSums(micro)),
                              data.frame("Abundance2" = colSums(metab)),
                              data.frame("Abundance3" = colSums(transc)),
                              vertex_size = paste0("Abundance", 1:3))

plot(multi1_with_anno)

添加 annotation

3. 筛选子网络

# 筛选子网络
data("multi_net", package = "MetaNet")
multi2 <- c_net_filter(multi1_with_anno, v_group %in% 
                         c("Microbiome", "Metabolome")) %>%
  c_net_filter(., e_class == "intra", mode = "e")

plot(multi2, lty_legend = T, main = "Sub-network")

筛选子网络

4. 合并网络

# 网络1
data("c_net")
plot(co_net)

网络1
# 网络2
data("c_net")
plot(co_net2)

网络2
# 合并网络
co_net_union <- c_net_union(co_net, co_net2)
plot(co_net_union)

合并网络

MetaNet 包为微生物网络分析提供了全面的工具集，从基础的网络构建到高级的注释与可视化。通过灵活使用这些功能，我们能够从复杂的微生物组数据中提取有意义的生物学模式，为理解微生物群落结构与功能提供新视角。

参考文献

[1] K. Contrepois, S. Wu, K. J. Moneghetti, D. Hornburg, et al., [Molecular Choreography of Acute Exercise (https://doi.org/10.1016/j.cell.2020.04.043). Cell. 181, 1112–1130.e16 (2020).

[2] Y. Deng, Y. Jiang, Y. Yang, Z. He, et al., Molecular ecological network analyses. BMC bioinformatics (2012), doi:10.1186/1471-2105-13-113.

[3] K. Faust, J. Raes, Microbial interactions: From networks to models. Nature Reviews Microbiology (2012), doi:10.1038/nrmicro2832.

[4] Chen Peng (2025). MetaNet: Network Analysis for Omics Data. R package