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。
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
❞
示例数据和代码领取
点赞、在看 本文，分享至朋友圈集赞20个并保留30分钟，截图发至微信mzbj0002领取。
「木舟笔记2022年度VIP可免费领取」。
❝
「注：」2022马上过去了，为了方便各位读者朋友，现推出
木舟笔记永久VIP，售价169￥。2022VIP仅需支付差价进行升级。木舟笔记永久VIP享本号所有资源(限定课程除外），后续不再推出VIP企划。❞
木舟笔记2022年度VIP企划
「权益：」
-
「2022」年度木舟笔记所有推文示例数据及代码(「在VIP群里实时更新」)。
data+code
-
木舟笔记「科研交流群」。
-
「半价」购买
跟着Cell学作图系列合集(免费教程+代码领取)|跟着Cell学作图系列合集。
「收费：」
「99￥/人」。可添加微信：mzbj0002 转账，或直接在文末打赏。
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
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)
