福建漳州东山建设局网站/seo优化员

在微生物组测序结果中对于β-多样性的分析一般以PCoA 和 NMDS 为主，并且以 Bray-Curtis 距离最为普遍，因此本文以该距离进行PCoA分析和可视化

（一）数据格式

分别为分析样本的特征表和分组信息

表1. pcoa （特征表）

表2，group（分组信息）

（）9

#清除变量
rm(list=ls())
library(vegan)
library(ggplot2)
library(ggrepel)
#读取数据(特征表)
df<- read.delim('pcoa.txt', row.names = 1, sep = '\t', head = TRUE, check.names = FALSE)
#读取分组
group<-read.delim('group.txt', row.names = 1, sep = '\t', head = TRUE, check.names = FALSE)
#数据转置
df1<-t(df)
#计算距离
distance<-vegdist(df1,method='bray')
pcoa<- cmdscale(distance,k=(nrow(df1)-1),eig=TRUE)
#提取前两个分类解释
plot_data<-data.frame({pcoa$point})[1:2]
head(plot_data)
#前两个分类解释命名
names(plot_data)[1:2]<-c('PCoA1','PCoA2') 
eig=pcoa$eig
group1<-group['group']
data<-plot_data[match(rownames(group),rownames(plot_data)),]
data<-data.frame(group,plot_data)
head(data)
tail(data)
#作图
ggplot(data,aes(x=PCoA1,y=PCoA2,shape=group,color=group))+geom_point(alpha=1,size=8)+stat_ellipse(level=0.95,size=3)+labs(x=paste("PCoA1(",format(100*eig[1]/sum(eig),digits = 4),"%)",sep=""),y=paste("PCoA2(",format(100*eig[2]/sum(eig),digits = 4),"%)",sep=""))+geom_vline(aes(xintercept=0),linetype="dotted")+geom_hline(aes(yintercept=0),linetype="dotted")+theme(panel.background = element_rect(fill='white',colour = 'black'),axis.title.x=element_text(colour = 'black',size=20),axis.title.y = element_text(colour = 'black',size=20),legend.text = element_text(size = 15))

（三） 出图

通过以上代码对微生物组β-多样性以PCoA进行计算并可视化得到如下图

?