干货篇|代谢组与微生物联合分析实战

微生物组测序（主要指扩增子测序、全长扩增子测序与宏基因组测序）可提供细菌构成、基因丰度和功能性信息，可以解决“who is there”（那儿有谁）和“what are they doing”（在干嘛）的问题。而代谢组学是研究生物体中代谢产物变化的科学，可以解决“what have really happened”（究竟发生了什么）的问题。生物科学研究过程复杂，单独和片面的单一组学无法解释清楚生物学问题，多组学就显得尤为重要。近年来，随着微生物组学研究的不断发展和持续火热，越来越多的研究者开始将微生物组学和代谢组学联合起来，从物种、基因以及代谢产物等水平共同解释科学问题，更好地理解疾病病变过程及机体内物质的代谢途径。还有助于发现疾病的生物标记以更进一步应用于临床辅助诊断。代谢和微生物的联合分析可以有多种方法，今天主要介绍相关性分析和协惯量分析。

文章《Gut microbiome and serum metabolome alterations in obesity and after weight-loss intervention》中揭示了中国肥胖人群的肠道菌群组成，并指出了肥胖及减肥干预后肠道菌群和血清代谢物改变。其中MLG（metagenomic linkage groups，宏基因组连锁群）和代谢物联合分析就运用了相关性分析和协惯量分析（如下图）。

这里使用R基于示例数据绘制类似的图，需要提前安装psych、ade4、pheatmap等R包。另外使用TakeColor软件可直接获取文章图中的配色。使用的示例数据为6个样本的数据，对照处理各3个样本。

#代谢组数据，行为代谢物共20个，列为样本名

> dim(metabdata)

[1] 20 6

# 微生物数据，行为微生物共47个，列为样本名

> dim(microdata)

[1] 47 6

# 加载相关性计算的包

> library(psych)

# 使用spearman计算相关性和p值

> cor_res<-corr.test(cbind(t(metabdata),t(microdata)),method= 'spearman',adjust= 'none',ci=F)

# 显示数据

> dim(cor_res $p)

[1] 67 67

> tail(cor_res $r[,1:3])

Cyclic AMP Tricin Genistein

Pseudomonas 0.7714286 0.9428571 -0.7714286

Ralstonia 0.6667367 0.8406680 -0.8986451

Rhizobium 0.8285714 0.6571429 -0.7142857

Saccharopolyspora 0.8406680 0.6667367 -0.7247138

Terriglobus 0.8986451 0.7247138 -0.6667367

Vicinamibacter 0.7142857 0.8857143 -0.8285714

# 提取相关性和p值

> corCmat<-cor_res $r[(nrow(metabdata)+1):nrow(cor_res $r),1:nrow(metabdata)]

> corPmat<-cor_res $p[(nrow(metabdata)+1):nrow(cor_res $p),1:nrow(metabdata)]

# 绘制热图

> library(pheatmap)

> library(RColorBrewer)

# 标记显著当p<0.01 显示2个星号‘**’，0.01<p<0.05 时显示一个星号‘*’

> annolabel<-matrix( '',nrow(corPmat),ncol(corPmat))

> annolabel[corPmat<0.01]<- '**'

> annolabel[corPmat<0.05 & corPmat>=0.01]<- '*'

> colnames(annolabel)<-colnames(corPmat)

> rownames(annolabel)<-rownames(corPmat)

pheatmap(mat=corCmat,

display_numbers=annolabel,

number_color='black',

cluster_cols=T,

cluster_rows=T,

color=colorRampPalette(c('#7AA1D3','#D2609E'))(100),

border_color=F,

show_rownames=T,

show_colnames=T,

fontsize_number=8,

fontsize_row=6,

fontsize_col=6,

scale='none')

(向左查看更多内容）

协惯量分析：

#加载包

> library(ade4)

#进行协惯量分析

> microdata_dudi <- dudi.pca(t(microdata), scale = TRUE, scan = FALSE, nf = 2)

> metabdata_dudi <- dudi.pca(t(metabdata), scale = TRUE, scan = FALSE, nf = 2)

> coin<- coinertia(metabdata_dudi,microdata_dudi, scan = FALSE, nf = 2)

#基于特征值计算贡献

>Axis1<-coin$eig[ 1]/sum(coin$eig)* 100

>Axis2<-coin$eig[ 2]/sum(coin$eig)* 100

#绘制样本空间图，展示样本之间的差异

>metabS<-coin$mX

>microS<-coin$mY

>plot(microS[, 1],microS[, 2], xlim = c( -1.5, 1.5), ylim = c ( -2, 2),

pch= 20,col=c(rep( '#4890CD', 3),rep( '#EC2B91', 3)),

xlab=sprintf( 'Axis1(%.2f%%)',Axis1),ylab=sprintf( 'Axis2(%.2f%%)',Axis2))

>arrows(x0=microS[, 1],y0=microS[, 2],

x1=metabS[, 1],y1=metabS[, 2],

col=c(rep( '#4890CD', 3),rep( '#EC2B91', 3)),length= 0.1)

(向左查看更多内容）

图中的蓝色和红色分别代表不同的样本分组即对照和处理，基于此分析可直观展示出样本间的差异。

对于没有R基础的同学可能会觉得困难，但是没关系，目前百迈客云已有代谢组与微生物联合分析以及个性化相关的绘图，只需要点点鼠标便可得到结果。

文： QG

排版：市场部

参考文献：

Liu R, Hong J, Xu X, et al. Gut microbiome and serum metabolome alterations in obesity and after weight-loss intervention[J]. Nature medicine, 2017, 23(7): 859.

转自：百迈客生物