ggpicrust2包：简化和直观化微生物功能预测分析

简介

ggpicrust2是一个强大的R语言包，旨在简化和直观化PICRUSt2输出的分析。通过预定义的图表和函数，研究人员可以轻松生成关于微生物功能预测的统计图，并提供丰富的自定义选项。本文将演示如何使用ggpicrust2包进行分析和可视化。

安装ggpicrust2包

首先，我们需要安装ggpicrust2包：

install.packages('ggpicrust2')

可以参考使用说明获取更多信息。

加载所需的库

rm(list=ls())
library(readr)
library(ggpicrust2)
library(tibble)
library(tidyverse)
library(ggprism)
library(patchwork)

使用ggpicrust2包中的示例数据

我们可以使用ggpicrust2包中提供的示例数据进行分析。以下代码展示了如何加载数据并进行分析：

# 加载示例数据
data(ko_abundance)
data(metadata)

# 进行ggpicrust2分析
results_file_input <- ggpicrust2(data = ko_abundance,
                                 metadata = metadata,
                                 group = "Environment",
                                 pathway = "KO",
                                 daa_method = "LinDA",
                                 ko_to_kegg = TRUE,
                                 order = "pathway_class",
                                 p_values_bar = TRUE,
                                 x_lab = "pathway_name")
results_file_input

# 保存图像
ggsave('pic1.png', width = 15, height = 5, bg = 'white')

分析EC或MetaCyc

下面的代码演示了如何分析EC或MetaCyc路径，并生成可视化结果：

# 加载MetaCyc丰度数据
data(metacyc_abundance)

# 进行分析
results_file_input <- ggpicrust2(data = metacyc_abundance,
                                 metadata = metadata,
                                 group = "Environment",
                                 pathway = "MetaCyc",
                                 daa_method = "LinDA",
                                 ko_to_kegg = FALSE,
                                 order = "group",
                                 p_values_bar = TRUE,
                                 x_lab = "description")

# 查看结果
head(results_file_input[[1]]$results)

# 保存图像
ggsave('pic2.png', width = 15, height = 5, bg = 'white')

结果解读

通过上述分析，我们可以得到详细的功能路径差异丰度分析结果。例如，分析MetaCyc路径时，可以得到以下结果：

# 结果示例
# feature method           group1       group2          p_values adj_method  p_adjust                                         description
# 1 1CMET2-PWY  LinDA Pro-inflammatory Pro-survival 0.899714291990134         BH 0.9932730 N10-formyl-tetrahydrofolate biosynthesis
# 2 3-HYDROXYPHENYLACETATE-DEGRADATION-PWY  LinDA Pro-inflammatory Pro-survival 0.999162466343137         BH 0.9991625 4-hydroxyphenylacetate degradation
# 3 ALL-CHORISMATE-PWY  LinDA Pro-inflammatory Pro-survival 0.952808083205404         BH 0.9932730 superpathway of chorismate metabolism

这些结果可以帮助研究人员更好地理解微生物群落的功能特性和差异。