如何绘制精美的PCoA图形？

什么是PCoA？

微生物群落结构受多种因素影响，例如光照、温度、人群性别、年龄等。要了解目的分组是否与某种因素存在联系，我们常常会用到PCA、PCoA等排序方法。

PCoA能够将样本之间的相似性距离（虚拟距离），经过投影后，在低维度空间进行欧几里德距离展示，以最大限度地保留原始样本的距离关系，使相似的样本在图形中的距离更为接近，相异的样本距离更远（图1）。因此相比于PCA，PCoA以样本距离为整体考虑，更符合生态学数据特征，应用也更为广泛。

图1. PCoA原理

如何作图？

虽然一般的16S或者宏基因组等分析流程当中都会包含PCoA分析，但如果自己想要更改分组的形状，或者挑选特定的OTU进行分析，那么自己进行操作会高效很多。

PCoA的作图主要分为三个步骤：

1. 选择特定的相似性距离并计算距离矩阵。距离的选择可以有Bray-curits、Unifrac等，不同的距离有不同的作用和意义（具体可以参考 微生物β多样性常用计算方法比较）。相似性距离可以利用R的GUniFrac和vegan等包计算，也可以利用QIIME计算。

2. 进行PCoA分析，也就是利用表征分析选择最能表示样本距离的坐标轴。这个可以利用R的ape包的pcoa（）命令完成。

3. PCoA图形展示。图形可以用ordiplot（）命令展示，但如果需要比较美观的图形，建议用ggplot来画。

下面我们以R为基础，展示如何根据Unweighted Unifrac距离来画PCoA图：

----------------------代码开始了-----------------------

###导入需要的R包

library(GUniFrac) #用于计算Unifrac距离

library(ape) # 用于pcoa分析

library(ggplot2) #用于画图

##读文件

Otu_tab <- read.table('otu_table',row.names="">

Tree    <- read.tree('muscle.align.tree.nhx')="">#输入OTU表格

Otu_tab <->

Otu_tab_rff <->

unifracs <- gunifrac(otu_tab_rff,tree,alpha="c(0," 0.5,="">

du <- unifracs$unifracs[,="" ,="" 'd_uw']=""># 计算Unweighted UniFrac距离

Group <- c('a','b','c')="">#按照目的输入样本

shape <- c('a'="16,'B'" =17,'c'="16)">#定义点形状

color <- c('a'='#CCFF33' ,'b'='#CCFF33' ,'c'='#CCFF33' )="">#定义点颜色

PCOA <- pcoa(du,="" correction='none' ,="" rn="NULL)">#利用PCOA()指令做pcoa分析

result <>

pro1 = as.numeric(sprintf('%.3f',result[1]))*100

pro2 = as.numeric(sprintf('%.3f',result[2]))*100

x = PCOA$vectors

sample_names = rownames(x)

pc = as.data.frame(PCOA$vectors)

pc$names = sample_names

legend_title = ''

group = Group

pc$group = group

xlab=paste('PCOA1(',pro1,'%)',sep='') 

ylab=paste('PCOA2(',pro2,'%)',sep='')

pca=ggplot(pc,aes(Axis.1,Axis.2)) + #用ggplot作图

  geom_point(size=3,aes(color=group,shape=group)) + 

#  geom_text(aes(label=names),size=4,vjust=-1) +

  labs(x=xlab,y=ylab,title='PCOA',color=legend_title,shape=legend_title) + 

  geom_hline(yintercept=0,linetype=4,color='grey') + 

  geom_vline(xintercept=0,linetype=4,color='grey') + 

  scale_shape_manual(values=shape) +

  scale_color_manual(values=color) +

  theme_bw()

-------------------------代码结束------------------------

结果图展示：

输入OTU表格之后，运行上面代码，就可以出来图形（当然结果的数据输入是经过一定修改，自己根据需求定义样本数目，点的形状和颜色就可以）。

图2. PCoA结果展示