除了相关系数，物种网络构建还有哪些方法？（一）

（2）工具：R语言psych包、Omicshare tools”组内相关性分析”工具（图1）。

图1 OS小工具

2. MENA法

（1） 特色：全称Molecular Ecological Network Analysis。由于传统相关系数计算完成后，一般只能根据主观经验结合相关系数和P值进行数据筛选。

而MENA的重要特色在于：

图2 MENA分析流程

（2） 工具：公开免费线上处理（http://ieg4.rccc.ou.edu/mena/）

3. WGCNA法

（1） 特色：全称Weighted gene correlation network analysis，最早是用于基因间表达调控网络的分析，近来逐渐应用于物种关系分析。基于物种的相对丰度表进行计算。最大的亮点在于对pearson等相关系数的变形转化。

分析流程如图3，获得相关系数矩阵后，取次方操作，以扩大强相关弱相关的间隔，然后融入直接相关和间接相关，得出新的相关性描述，即weight值（也称TOM值），一般取值[0,1]，所以可以理解为WGCNA是升级版的pearson/spearman等相关系数分析。最后基于TOM值将物种划分为不同的模块。一个模块为一簇强相关的物种。

图3 WGCNA分析流程

PS：具体原理可学习基迪奥云平台Omicshare class中的WGCNA课程。

课程链接：https://www.omicshare.com/class/home/index/series?id=3

（2）工具：R语言WGCNA包。

4. SparCC法

（1） 特色：基于物种的绝对丰度表（tag counts）进行计算。由于传统方法基于相对丰度计算时，经常出现负相关偏多，即正相关被抑制的现象，所以SparCC方法进行了优化。

首先将丰度进行取对数转化，以有效消除 “正相关性被限制”的问题；然后基于pearson线性相关原理，结合方差计算相关系数，取值[-1,1]。最后基于置换检验获得相关性P值。

文献[1]中相同数据SparCC、pearson、spearman计算结果截取如表2，可以看出SparCC的计算结果与另两种差异比较大，强相关和弱相关更突出，且无“正相关被限制”的现象，说明对数化处理和方差引入对数据相关性评估有非常积极的影响。

表2 相关系数结果对比

（2） 工具：Python（https://bitbucket.org/yonatanf/sparcc）

5. LSA法

（1） 特色：全称local similarity analysis。仅针对时间梯度样本中的微生物网络开展分析，相对于普通pearson相关性（表3），LSA方法对物种间相关性的捕捉更敏感准确 [2] ，可广泛用于生长、季节、处理周期等时间尺度的物种网络分析。

表3 LSA与pearson系数（PCC）结果对比

基于物种绝对丰度表格，首先进行F-函数转化，以区分生物学重复和时间梯度的数据特征。然后结合时间梯度、pearson相关等计算出物种间的LSA得分，取值[-1,1]，再进行置换检验计算P值，最终输出显著相关的用于绘制网络图的数据。

（2） 工具：python（如https://bitbucket.org/charade/elsa/src/master/）

6.SPIEC-EASI法

（1） 特色：全称SParse InversE Covariance Estimation for Ecological AssociationInference，基于物种绝对丰度表分析。

1）首先将丰度数据进行中心化-取对数转化，处理优势同SparCC；

2）提供neighborhood和inverse covariance（协方差的逆矩阵，也称为精度矩阵[precision matrix或部分相关矩阵[partial correlationmatrix] ）两种模型构建网络，并结合Stability-Based module进行评估；

3）输出协方差逆矩阵作为关系数据，取值[-∞，+∞]。如图4，由此可见，该算法是与pearson完全不同的一种新颖关系构建方法。这种处理模式的好处在于网络的简约性，避免了传统方法中间接相关对网络结构的影响。

图4 pearson相关系数与SPIEC-EASI结果对比 [3]

7.CoNet法

（1） 特色：全称Co-occurence network，基于物种绝对丰度表分析。最大的特色在于提供了多种网络关系构建方法，并将每种结果进行筛选合并。作为cytoscape软件的插件，合并的结果还可直接在软件中可视化展示（图5）。

图5 CoNet分析流程

（2）工具：Cytoscape软件CoNet插件

物种关系可视化

大家根据模型特点，选择某种方法即可得到网络关系数据。但是从数据到文章中高大上的网络图，还需要使用Cytoscape等软件进行可视化展示。

具体使用方法和技巧，可学习基迪奥云平台Omincshare class中的Cytoscape课程。

课程链接：https://www.omicshare.com/class/home/index/series?id=3

Omicsmart物种网络图

如果觉得计算又复杂， Cytoscape太难，可以来集测序数据上传、数据挖掘、图形美化于一身的Omicsmart微生物平台。

最近更新的Omicsmart metagenome version 4.0版本中的物种组成板块贴心地提供了各分类水平物种间网络图分析，我们基于pearson计算结果，配备了高大上的网络图绘制功能，如图6，既可进行网络图的精简筛选，还可进行丰富的颜色、大小的渐变等美化，足以满足一幅SCI级图形的各种需要，而且可以一键生成图例哦。

图6 Omicsamrt物种相关性网络图分析

平台地址：https://www.omicsmart.com/

对Omicsmart感兴趣的小伙伴赶紧扫码报名哦，填写您的测序、分析意向，我们将从填写信息中抽取20位，赠送价值500元的Omicsmart VIP会员30天使用权限。Omicsmart的VIP会员拥有200G的超大存储空间，单个样本流程分析价格低至70元（市场价约350元）！

物种关系研究为何有如此魅力，引来一批又一批科学家进行各种方法探索呢？关于物种关系分析的具体意义和应用价值，我们将在后续文章中分享，敬请关注。

参考文献：

[2]Ruan Q, Dutta D, Schwalbach MS, SteeleJA, Fuhrman JA, Sun F. Local similarity analysis reveals unique associationsamong marine bacterioplankton species and environmental factors.Bioinformatics. 2006;22(20):2532–2538. doi:10.1093/bioinformatics/btl417返回搜狐，查看更多