R : NMDS分析

以上事学习的源头，根据课题实际做了一点修改

# 加载必要的包
library(vegan)
library(ggplot2)

# 从txt文件载入数据
mydata <- read.delim("mydata.txt", header = TRUE, sep = "\t")
mygroups <- read.delim("mygroups.txt", header = TRUE, sep = "\t")

# 将数据中的NA值替换为0
mydata[is.na(mydata)] <- 0

# 计算bray_curtis距离
distance <- vegdist(mydata[, -1], method = 'bray')  # 排除SampleID列

# NMDS排序分析
nmds <- metaMDS(distance, k = 2)

# 获得应力值（stress）
stress <- nmds$stress

# 将绘图数据转化为数据框
df <- as.data.frame(nmds$points)

# 与分组数据合并
df$SampleID <- rownames(df)
df <- merge(df, mygroups, by = "SampleID")

# 设置随机种子
set.seed(123)

# 基于bray-curtis距离进行PERMANOVA分析
adonis <- adonis2(as.dist(distance) ~ Group, data = df, permutations = 999)

# 基于bray-curtis距离进行ANOSIM分析
anosim <- anosim(distance, df$Group, permutations = 999)

# 应力值、Adonis R2与显著性、Anosim R与显著性
stress_text <- paste("Stress =", round(stress, 4))
adonis_text <- paste("Adonis R2 =", round(adonis$R2[1], 2), "p =", adonis$`Pr(>F)`[1])
anosim_text <- paste("Anosim R =", round(anosim$statistic, 2), "p =", anosim$signif)

my_colors <- c("#7FFFAA","#FFD700", "#FFA07A", "#DA70D6")  # 你可以根据需要修改这些颜色

# 数据可视化
p <- ggplot(df, aes(x = MDS1, y = MDS2)) + 
  geom_point(aes(color = Group), size = 5) + 
  geom_polygon(aes(x = MDS1, y = MDS2, fill = Group, group = Group, color = Group),
               alpha = 0.3, linetype = "longdash", linewidth = 1.5) + 
  
  scale_color_manual(values = my_colors) +  # 添加这行代码来自定义点的颜色
  scale_fill_manual(values = my_colors) +   # 添加这行代码来自定义填充色
  
  theme(plot.margin = unit(rep(1, 4), 'lines'), 
        panel.border = element_rect(fill = NA, color = "black", size = 0.5, linetype = "solid"), 
        panel.grid = element_blank(), 
        panel.background = element_rect(fill = 'white')) +
  #guides(color = "none", fill = "none") + 
  ggtitle(paste(stress_text, adonis_text, anosim_text, sep = "\n"))

# 保存图形
ggsave("NMDS.pdf", p, height = 5.69, width = 7.42)

这段代码主要针对生态学或生物信息学领域，涉及多样性分析，特别是计算和可视化基于bray-curtis距离的非度量多维尺度排序（NMDS）。以下是逐行的分析：

1-2: 加载必要的包

library(vegan)
library(ggplot2)

加载vegan（用于生态多样性分析）和ggplot2（用于数据可视化）两个R包。

4-6: 从txt文件载入数据

mydata <- read.delim("mydata.txt", header = TRUE, sep = "\t")
mygroups <- read.delim("mygroups.txt", header = TRUE, sep = "\t")

从txt文件中读取数据，并存储到mydata和mygroups两个数据框中。

8: 将数据中的NA值替换为0

mydata[is.na(mydata)] <- 0

将mydata数据框中的所有NA值替换为0。

10-11: 计算bray_curtis距离

distance <- vegdist(mydata[, -1], method = 'bray')

计算bray-curtis距离，排

set.seed(123)

除第一列（假设为SampleID）。

13-14: NMDS排序分析

nmds <- metaMDS(distance, k = 2)

使用非度量多维尺度排序（NMDS）进行排序分析。

16: 获得应力值（stress）

stress <- nmds$stress

从nmds结果中提取应力值。

18-21: 将绘图数据转化为数据框并与分组数据合并

df <- as.data.frame(nmds$points)
df$SampleID <- rownames(df)
df <- merge(df, mygroups, by = "SampleID")

将nmds排序后的点转化为数据框，并与分组数据mygroups合并。

23: 设置随机种子

set.seed(123)

设置随机种子以确保结果可重复。

25-26: 基于bray-curtis距离进行PERMANOVA分析

adonis <- adonis2(as.dist(distance) ~ Group, data = df, permutations = 999)

进行PERMANOVA分析以检验群组之间的差异是否显著。

28-29: 基于bray-curtis距离进行ANOSIM分析

anosim <- anosim(distance, df$Group, permutations = 999)

进行ANOSIM分析以检验群组之间的差异。

31-34: 应力值、Adonis R2与显著性、Anosim R与显著性
这部分提取了PERMANOVA和ANOSIM的统计结果，并为后续的可视化准备文本信息。

36: 定义颜色

my_colors <- c("#7FFFAA","#FFD700", "#FFA07A", "#DA70D6")

定义一个颜色向量以供后续使用。

38-54: 数据可视化
使用ggplot2进行数据可视化，展示NMDS结果并按组进行颜色区分。同时，使用geom_polygon绘制了群组的凸包。

56-57: 保存图形

ggsave("NMDS.pdf", p, height = 5.69, width = 7.42)

 将可视化的结果保存为PDF文件。

总结：这段代码主要实现了多样性数据的NMDS排序、群组间差异性统计分析，并将结果进行了可视化。