上一篇推文简单介绍了网络基本概念和用于组学网络分析的R包MetaNet，这里我们具体介绍网络分析第一步，网络计算和构建。

• 软件主页：https://github.com/Asa12138/MetaNet 大家可以帮忙在github上点点star⭐️，谢谢🙏
• 详细英文版教程：https://bookdown.org/Asa12138/metanet_book/

可以从 CRAN 安装稳定版：install.packages("MetaNet")

最新的开发版本可以在 https://github.com/Asa12138/MetaNet 中找到：

1

remotes::install_github("Asa12138/MetaNet", dependencies = T)

依赖包 pcutils和igraph（需提前安装），推荐配合 dplyr 进行数据操作。

1
2
3
4
5
6

library(MetaNet)
library(igraph)

# ========data manipulation
library(dplyr)
library(pcutils)

预处理

在构建各类组学网络之前，不同组学数据（如微生物组、转录组、代谢组等）需要经过适当的预处理，以确保数据质量并提高网络分析的可靠性。

trans函数包含许多归一化方法，适用于预处理不同的组学：

1

trans(otutab, method = "log1") %>% head()

此外，rm_low()， guolv() ， hebing() 函数可以帮助过滤或聚合组学数据，这些函数在数据清洗和特征选择阶段非常有用。

成对关系计算

成对关系是网络构建的基础。由于实验数据通常相对稀少，我们主要依赖统计推断来确定成对关系，当然如果你已经有确定的关系了就可以跳过这一部分直接去构建网络即可。目前主要有两种统计方式：

相似性或相关性：例如Spearman、Pearson、Bray-Curtis等。可以计算配对特征之间的相似性矩阵，并使用随机化数据重复计算显著性。最终在网络中保留有意义的相似性。 回归分析：将特征分为源和目标，使用多元回归计算特征之间的关系。

还有一些工具使用特殊方法来优化网络构建，如SparCC等。

Correlation

相关性是描述两个变量协调运动程度的统计术语。相关性计算是所有组学网络分析软件的第一步，有许多方法可以获取ρ和p值。然而，随着组学数据规模越来越大，一些方法变得非常耗时且计算资源密集。

MetaNet提供了c_net_calculate()函数，可以快速计算单个表或两个表之间的相关性，返回包含ρ和p值的coor对象。

1
2
3
4

# 单表计算
t(otutab) -> totu
c_net_calculate(totu, method = "spearman") -> corr
corr

1
2
3

## Correlation table:
## Table dimensions: 485 rows, 485 columns
## Use method:  spearman

1
2
3
4

# 双表计算
metadata[,3:10] -> env
c_net_calculate(totu, env, method = "spearman") -> corr2
corr2

1
2
3

## Correlation table:
## Table dimensions: 485 rows, 8 columns
## Use method:  spearman

对于大型输入表，计算可能需要较长时间，可以保存结果稍后读取：

1
2
3

c_net_calculate(matrix(rnorm(1000*100), ncol=1000), method="spearman") -> corr
save_corr(corr, "../saved_corr1")
read_corr("../saved_corr1") -> corr_new

性能测试表明，计算1000个特征的表相关性约需0.2秒，保存的.corr文件大小约6MB。时间、内存消耗和保存文件大小大致随特征数量的平方线性增加。

c_net_calculate的计算速度比其他R包快得多，特别是在特征数量很大的情况下：

Distance

在群落分析中，我们需要理解相异指数(距离)。vegan::vegdist()函数提供了基于丰度计算的广泛距离度量。此外，还有一些包含系统发育数据的距离度量，如"unifrac”、“beta_mpd”、“beta_mntd"和"phylosor"等。相似性指数通常是距离指数的倒数或1-distance。

我们也可以使用c_net_calculate()来计算距离：

1
2

c_net_calculate(otutab, method="bray") -> sim_df
sim_df

1
2
3

## Similarity (1-Distance) table:
## Table dimensions: 18 rows, 18 columns
## Use method:  bray

常用的群落不相似性指数包括：

Others

NetCoMi包中还有一些其他可用于网络构建的方法：

• Biweight Midcorrelation bicor() from WGCNA package

• CCLasso (R code on GitHub)

• CCREPE (ccrepe package)

• SPRING (SPRING package)

• gCoda (R code on GitHub)

• propr (propr package)

• Kullback-Leibler divergence (KLD) (KLD() from LaplacesDemon package)

• Jeffrey divergence (own code using KLD() from LaplacesDemon package)

• Jensen-Shannon divergence (own code using KLD() from LaplacesDemon package)

网络构建

手动阈值构建

如果已经完成了c_net_calculate()步骤，那么可以通过c_net_build()轻松获得网络(metanet对象，继承自igraph对象)。一些常见属性会自动设置。

1
2

c_net_build(corr, r_threshold =0.6, p_threshold =0.05, delete_single=T) -> co_net
co_net

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

## =================================== metanet ==================================== 
## IGRAPH 179b785 UNW- 483 1513 -- 
## + attr: n_type (g/c), name (v/c), v_group (v/c), v_class (v/c), size
## | (v/n), label (v/c), shape (v/c), color (v/c), id (e/n), from (e/c),
## | to (e/c), weight (e/n), cor (e/n), p.value (e/n), e_type (e/c), width
## | (e/n), color (e/c), e_class (e/c), lty (e/n)
## + edges from 179b785 (vertex names):
## [1] s__un_f__Thermomonosporaceae--s__Actinocorallia_herbida    
## [2] s__un_f__Thermomonosporaceae--s__Kribbella_catacumbae      
## [3] s__un_f__Thermomonosporaceae--s__Kineosporia_rhamnosa      
## [4] s__un_f__Thermomonosporaceae--s__un_f__Micromonosporaceae  
## [5] s__un_f__Thermomonosporaceae--s__Flavobacterium_saliperosum
## + ... omitted several edges

1

plot(co_net)

对于多表分析，可以使用multi_net_build()计算和构建网络：

1
2
3

data("multi_test", package="MetaNet")
multi_net_build(list(Microbiome=micro, Metabolome=metab, Transcriptome=transc)) -> multi1
plot(multi1)

RMT优化

基于相关性的关联网络方法因其简单的计算过程和噪声容限而最常用。然而，大多数涉及关联网络分析的研究使用任意阈值(通常使用r>0.6, p<0.05)，因此构建的网络是主观的而非客观的。

这个问题已经通过基于随机矩阵理论(RMT)的方法部分解决，该方法能够从微阵列数据(以及其他组学数据)中自动识别网络构建的适当阈值。(Y. Deng, Y. Jiang, Y. Yang, Z. He, et al., Molecular ecological network analyses. BMC bioinformatics (2012), doi:10.1186/1471-2105-13-113.)

使用RMT_threshold()，我们可以找到一个合适的r_threshold来构建噪声最小的网络。较大的log_LE、较小的log_LW、较小的log_see、较大的p_ks_test表明r_threshold对于有意义的网络构建更好。可以更改阈值范围以进行更精细的计算。（但其实也很难确定一个非常合适的结果，几个指标指示的也不一致😂，有时候还是跟着文献自定义阈值方便）

1
2
3

RMT_threshold(corr, out_dir="../RMT_temp/", min_threshold=0.5, 
             max_threshold=0.9, step=0.02, verbose=T) -> rmt_res
plot(rmt_res)

可以在RMT_threshold()中设置gif=TRUE并获取gif文件，以观察不同r阈值下特征值间距的分布。

边表格

如果已经从其他方法(数据库)获得了数据的成对关系，可以将其形成边列表并使用c_net_from_edgelist构建网络：

1
2
3

data("edgelist", package="MetaNet")
dnet <- c_net_from_edgelist(arc_count, direct=T)
plot(dnet)

其他

如果已经有其他格式的网络，如pajek、lgl、graphml、dimacs、graphdb、gml和dl，可以使用c_net_load将其读取为metanet对象。也可以使用graph_from_*函数获取igraph对象，然后使用c_net_update将其转换为metanet对象。

1
2
3
4
5
6
7
8
9

g1 <- graph_from_lcf(12, c(5, -5), 6)
class(g1)
## [1] "igraph"
plot(g1)

c_net_update(g1) -> g2
class(g2)
## [1] "metanet" "igraph"
plot(g2)

通过本文介绍的方法，可以了解从组学数据预处理到网络构建的流程，为后续的网络分析和生物学解释奠定基础。MetaNet包提供的这些功能使得组学网络分析变得更加高效。下一篇就将介绍如何给我们构建好的网络进行各种操作，包括添加注释和属性，筛选合并等。

References

1. Koutrouli M, Karatzas E, Paez-Espino D and Pavlopoulos GA (2020) A Guide to Conquer the Biological Network Era Using Graph Theory. Front. Bioeng. Biotechnol. 8:34. doi: 10.3389/fbioe.2020.00034
2. Faust, K., and Raes, J. (2012). Microbial interactions: from networks to models. Nat. Rev. Microbiol. https://doi.org/10.1038/nrmicro2832.
3. Y. Deng, Y. Jiang, Y. Yang, Z. He, et al., Molecular ecological network analyses. BMC bioinformatics (2012), doi:10.1186/1471-2105-13-113.