保姆级教程：用R包ggClusterNet一键搞定微生物网络分析，从数据到Zi-Pi图全流程
零基础实战：用ggClusterNet完成微生物网络分析与Zi-Pi图全流程解析
在微生物生态学研究中，网络分析已成为揭示微生物群落互作关系的重要工具。然而对于刚接触这一领域的科研人员来说，从数据准备到结果解读的全流程往往充满挑战。本文将带你一步步使用R语言中的ggClusterNet包，完成从原始数据到关键物种识别的完整分析过程，特别适合没有编程基础的初学者快速上手。
1. 环境准备与数据导入
1.1 安装必要R包
首先需要在R环境中安装ggClusterNet及其依赖包。打开RStudio或R控制台，依次执行以下命令：
# 安装CRAN上的基础包 install.packages(c("phyloseq", "igraph", "tidyverse", "ggrepel")) # 从GitHub安装ggClusterNet if (!require("remotes")) install.packages("remotes") remotes::install_github("taowenmicro/ggClusterNet")安装完成后，加载所有需要的包：
library(phyloseq) library(igraph) library(tidyverse) library(ggClusterNet)提示：如果遇到依赖包安装失败，可以尝试先单独安装出错的包，再重新执行上述命令。
1.2 数据准备与导入
ggClusterNet支持两种数据输入方式：使用包内置示例数据或导入自己的数据。对于初学者，建议先从示例数据开始：
# 加载示例数据 data(ps)如果是自己的数据，需要准备以下文件：
- OTU表（otutab.csv）
- 样本元数据（metadata.csv）
- 分类信息表（tax_table.csv）
- 系统发育树（otus.tree，可选）
导入自定义数据的完整代码如下：
# 读取各数据文件 metadata <- read.csv("metadata.csv", row.names = 1) otutab <- read.csv("otu_table.csv", row.names = 1) taxonomy <- read.csv("tax_table.csv", row.names = 1) tree <- read_tree("otus.tree") # 如果没有树文件可省略 # 创建phyloseq对象 ps <- phyloseq( sample_data(metadata), otu_table(as.matrix(otutab), taxa_are_rows = TRUE), tax_table(as.matrix(taxonomy)), phy_tree(tree) # 可选 )2. 微生物网络构建与分析
2.1 相关性网络计算
微生物网络的核心是计算OTU/ASV之间的相关性。ggClusterNet提供了corMicro函数简化这一过程：
result <- corMicro( ps = ps, N = 250, # 使用丰度前250的OTU r.threshold = 0.8, # 相关系数阈值 p.threshold = 0.05, # p值阈值 method = "pearson" # 相关性计算方法 )得到的result对象包含三个元素：
- 相关性矩阵（cor）
- p值矩阵
- 过滤后的phyloseq对象（ps_net）
2.2 网络可视化基础
将相关性结果转换为网络图需要两个步骤：
# 生成节点和边数据 result4 <- nodeEdge(cor = result[[1]]) edge <- result4[[1]] # 边数据 node <- result4[[2]] # 节点数据 # 创建igraph对象 igraph <- graph_from_data_frame(edge, directed = FALSE, vertices = node)此时可以绘制基础网络图：
plot(igraph, vertex.size = 5, vertex.label = NA)3. 网络属性计算与解读
3.1 全局网络属性
计算网络整体特征指标：
net_props <- net_properties.2(igraph, n.hub = TRUE) write.csv(net_props, "net_properties.csv")关键指标解释：
| 指标名称 | 生物学意义 | 参考范围 |
|---|---|---|
| 平均路径长度 | 信息传递效率 | 通常2-5 |
| 模块性 | 网络分化程度 | 0.3-0.7 |
| 聚类系数 | 节点聚集程度 | 0-1 |
3.2 节点级别分析
计算每个OTU/ASV的网络特征：
node_props <- node_properties(igraph) write.csv(node_props, "node_properties.csv")重要节点指标包括：
- 度中心性（Degree）：连接数
- 介数中心性（Betweenness）：桥梁作用
- 紧密中心性（Closeness）：信息传递效率
4. Zi-Pi分析与关键物种鉴定
4.1 一键生成Zi-Pi图
ggClusterNet最强大的功能之一是直接生成Zi-Pi图：
res <- ZiPiPlot(igraph = igraph, method = "cluster_fast_greedy") p <- res[[1]] ggsave("ZiPi_plot.png", p, width = 8, height = 6)Zi-Pi图将微生物分为四类：
- 网络中心（Network hubs）
- 模块中心（Module hubs）
- 连接者（Connectors）
- 边缘物种（Peripherals）
4.2 关键物种筛选
识别网络中的关键物种：
# 计算hub分数 hub_scores <- hub_score(igraph)$vector top_hubs <- sort(hub_scores, decreasing = TRUE)[1:10] # 可视化 library(ggplot2) ggplot(data.frame(OTU = names(top_hubs), Score = top_hubs)) + geom_col(aes(x = Score, y = reorder(OTU, Score)), fill = "steelblue") + labs(y = "OTU", title = "Top 10 Hub Species")5. 高级可视化与结果优化
5.1 美化网络图
使用ggplot2风格的可视化：
pnet <- ggplot() + geom_segment(aes(x = X1, y = Y1, xend = X2, yend = Y2, color = weight), data = edge, alpha = 0.5) + geom_point(aes(X1, X2, fill = Phylum, size = Degree), pch = 21, data = node) + scale_size_continuous(range = c(2, 8)) + theme_minimal()5.2 结果解读技巧
在实际项目中，我们发现这些经验特别有用：
- 冬季样本的网络复杂度通常高于夏季
- 关键物种往往与特定环境因子显著相关
- 高度模块化的网络通常更稳定
遇到问题时，可以尝试调整相关系数阈值（r.threshold），这是影响网络结构最敏感的参数。从0.6到0.9逐步测试，找到最适合数据的阈值。