本文轉載自：Cytoscape可視化物種分類樹結構

Cytoscape可視化物種分類樹結構

。因此本篇就只是概括了一下大致的過程，包括如何準備輸入數據，以及在Cytoscape可視化時大致上要點擊哪些按鈕等，并未仔細琢磨成品圖。所以，下文略顯粗糙，大家有興趣就看吧……

這其實是個物種分類樹，代表的微生物分類。從高級分類水平（界，細菌和真菌）的根節點開始，依次往低分類層級（門綱目科屬等）延伸，逐漸形成分支，末端節點應該是OTU或者種水平。因此，分支呈簇狀展示，分支的顏色主要按門水平著色，將衍生自同一類門的微生物分支賦值相同的顏色。節點的大小應該對應了微生物的豐度，而節點的顏色主要有兩種，猜測紅色代表了一些重要的微生物，白色是不重要的。圖中文字部分則標識了主要的微生物門所含的節點數量，以及這些微生物的總豐度占比。

好吧，其實白魚同學并不知道這是來自哪篇文章的插圖，不清楚它的任何細節，包括其具體的指代信息以及作者試圖表達的意義等，上一段文字純粹是看圖瞎猜的……又懶得問其來源，那就按照這種理解去模仿吧，反正只是隨手畫個圖嘛，不要在意那么多細節。

準備數據

示例數據和預處理R代碼的百度盤鏈接（提取碼，sf9f）：

https://pan.baidu.com/s/1nS402FLH3lQu8CNq6JjEsA

網盤附件“otu.txt”如下所示，以OTU的豐度為主，后面跟上這些OTU所屬的界門綱目科屬分類。需要事先把一些注釋不明確的物種提前去除（比如unidentified、unknown、others等），否則導致了一些分類關系混亂。然后將它讀到R中，整合各個分類水平的包含關系，即上一級分類和下一級分類的對應列表用作邊列表，并統計共計多少分類類型及其豐度用作節點列表。

#讀入數據

otu <- read.delim('otu.txt', stringsAsFactors = FALSE, check.names = FALSE)

#整合各分類層級和所含物種豐度的嵌套關系，構建網絡邊列表

#source 和 target 分別對應了上下級物種分類層級的對應關系，abundance 表示 target 的豐度

genus_otu <- otu[c('genus', 'otu', 'abundance')]

names(genus_otu) <- c('source', 'target', 'abundance')

family_genus <- aggregate(otu$abundance, by = list(otu$family, otu$genus), FUN = sum)

names(family_genus) <- c('source', 'target', 'abundance')

order_family <- aggregate(otu$abundance, by = list(otu$order, otu$family), FUN = sum)

names(order_family) <- c('source', 'target', 'abundance')

class_order <- aggregate(otu$abundance, by = list(otu$class, otu$order), FUN = sum)

names(class_order) <- c('source', 'target', 'abundance')

phylum_class <- aggregate(otu$abundance, by = list(otu$phylum, otu$class), FUN = sum)

names(phylum_class) <- c('source', 'target', 'abundance')

kingdom_phylum <- aggregate(otu$abundance, by = list(otu$kingdom, otu$phylum), FUN = sum)

names(kingdom_phylum) <- c('source', 'target', 'abundance')

edge_list <- rbind(kingdom_phylum, phylum_class, class_order, order_family, family_genus, genus_otu)

#將各個分類層級對應至 phylum，以便用于在 Cytoscape 中調整樹分支的顏色

otu_phylum <- otu[c('phylum', 'otu')]

names(otu_phylum)[2] <- 'target'

genus_phylum <- otu[c('phylum', 'genus')]

names(genus_phylum)[2] <- 'target'

family_phylum <- otu[c('phylum', 'family')]

names(family_phylum)[2] <- 'target'

order_phylum <- otu[c('phylum', 'order')]

names(order_phylum)[2] <- 'target'

class_phylum <- otu[c('phylum', 'class')]

names(class_phylum)[2] <- 'target'

phylum_phylum <- otu[c('phylum', 'phylum')]

names(phylum_phylum)[2] <- 'target'

tax_phylum <- rbind(phylum_phylum, class_phylum, order_phylum, family_phylum, genus_phylum, otu_phylum)

tax_phylum <- tax_phylum[!duplicated(tax_phylum$target), ]

edge_list <- merge(edge_list, tax_phylum, by = 'target', all.x = TRUE)

#輸出邊列表

edge_list <- edge_list[c('source', 'target', 'abundance', 'phylum')]

edge_list$weight <- 1

head(edge_list)

write.table(edge_list, 'edge_list.txt', row.names = FALSE, sep = '\t', quote = FALSE)

#構建節點列表，包括各個分類水平的名稱，以及所含物種總豐度等

node_list <- reshape2::melt(otu, id = 'abundance')

node_list <- aggregate(node_list$abundance, by = list(node_list$value, node_list$variable), FUN = sum)

names(node_list) <- c('shared name', 'taxonomy', 'abundance')

#原始豐度 abundance 的數值差較大，不利于直接使用該列在 Cytoscape 中定義節點大小

#再指定個新列 abundance2，對原始的 abundance 作些轉換，比如 log 降低高豐度的權重等

node_list$abundance2 <- log(node_list$abundance+1, 2)? #log 轉化時加個基數 1

#添加節點的 phylum 水平分類

otu_phylum <- otu[c('phylum', 'otu')]

names(otu_phylum)[2] <- 'shared name'

genus_phylum <- otu[c('phylum', 'genus')]

names(genus_phylum)[2] <- 'shared name'

family_phylum <- otu[c('phylum', 'family')]

names(family_phylum)[2] <- 'shared name'

order_phylum <- otu[c('phylum', 'order')]

names(order_phylum)[2] <- 'shared name'

class_phylum <- otu[c('phylum', 'class')]

names(class_phylum)[2] <- 'shared name'

phylum_phylum <- otu[c('phylum', 'phylum')]

names(phylum_phylum)[2] <- 'shared name'

tax_phylum <- rbind(phylum_phylum, class_phylum, order_phylum, family_phylum, genus_phylum, otu_phylum)

tax_phylum <- tax_phylum[!duplicated(tax_phylum$'shared name'), ]

node_list <- merge(node_list, tax_phylum, by = 'shared name', all.x = TRUE)

#根據事先選擇的一些重要節點名稱，在節點列表中標識出后輸出節點列表

select_node <- read.delim('select_node.txt', stringsAsFactors = FALSE)

node_list[which(node_list$'shared name' %in% select_node$id),'select'] <- 1

node_list[which(! node_list$'shared name' %in% select_node$id),'select'] <- 0

head(node_list)

write.table(node_list, 'node_list.txt', row.names = FALSE, sep = '\t', quote = FALSE)

Cytoscape的可視化

這樣兩個輸入文件就準備好了，分別為上述R輸出的“edge_list.txt”和“node_list.txt”，導入至Cytoscape中進行可視化。

1 讀取輸入文件

打開Cytoscape后，點擊“Import Network from File System”讀取邊列表，也就是上述輸出的“edge_list.txt”；以及點擊“Import Table from File”讀取節點列表，“node_list.txt”。

文件導入后，Cytoscape中自動呈現一幅網絡圖，這個網絡圖的結構就代表了給定的物種分類樹了。

2 邊的顏色和尺寸等屬性調整

點擊界面左側“Style”按鈕進入外觀調整選項。首先是對邊的調整，點擊下方“Edge”后進入邊樣式調整界面。

已知該網絡代表了物種分類樹，如上所述，從高級分類水平（界）的根節點開始，依次往低分類層級（門綱目科屬等）延伸，逐漸形成分支。因此，下游的分類分支都衍生自上游高級分類分支。參考圖中將衍生自同一門分類的微生物分支賦值相同的顏色，這里我們效仿，在上文的R操作過程中已經對網絡中每條邊做了歸類，邊列表中的“phylum”列就記錄了分支對應的門分類水平。點擊“Stroke Color”，按邊列表中的“phylum”列分配顏色。

邊的顏色是主要的調節屬性。對于其它的屬性，視情況自定義修改。例如如果覺得邊太細，就可以點擊“Width”將邊的尺寸設置的寬一些，使其更清晰。

3 背景色調整

隨后，點擊下方“Network”，將“Background Paint”背景色設置為黑色。

4 節點的顏色和尺寸等屬性調整

然后是對節點的調整，點擊下方“Node”后進入節點樣式調整界面。

對于節點顏色，點擊“Fill Color”，按節點列表中的“select”列分配顏色，將1（標記的重要的微生物）賦值為紅色，0（不重要的）賦值為白色。

對于節點形狀，勾選下方“Lock node width and height”后，點擊“Shape”統一設置為圓形。

對于節點大小，點擊“Size”，按節點列表中的“abundance2”列指定大小。該列是個連續的數值，大值對應大點，小值對應小點。

以及點擊“Properties”顯示出“Label Transparency”選項后統一設置為0，即將節點標簽均設置為透明，以去除節點標簽。

5 網絡布局調整

上述過程都很簡單，不再多說了，大家看著來設置就行。

最后是調整網絡布局，獲得類似示例圖中的樹狀結構。可以先嘗試一些自動布局，看看哪些布局風格效果較好。下圖展示一些和示例圖較為相似的自動布局，以及一些不相似但是可能有趣的自動布局，供大家參考吧。

點擊菜單欄“Layout”，提供了N種預設布局；此外“Apps”中可以下載更多樣式的插件，例如yFiles布局就是在“Apps”中找的拓展插件之一。

這些自動布局也就是有幾分相似而已。一般來說，網絡圖布局光靠自動布局是難以滿足需求的，配合手工調整肯定是免不了的，只是手工調整的過程會很糟心……哦對了，說不定真的有自動布局能夠出來示例圖樣式，只是沒找到而已

。

以下簡單展示一個手工調節布局的過程。以“Prefuse Force Directed Layout?（按?weight?列定義布局）”布局為例，因為它的微生物節點分類層次不明確，有待手動拖一下。當然，實際情況中盡可能找一個最相似的布局來，這樣可以簡化手動的工作量。點擊“Select”，按微生物節點所屬的門分類水平進行選擇，并將選中的節點拉動至一旁，就可和其它類群分開了。隨后，設法手動選擇節點子集，并拖動將該類群內部的節點的層次結構盡可能區分明顯。

把所有節點的層次關系調整好，將微生物的分類關系較好地呈現出，總之工作量挺大的。所以，白魚同學就沒再繼續，為了一個示例耗費大量時間在里面就不值得了……本篇教程只是作為方法類指引，幫助大家了解大體上是怎樣的操作過程就可以了。真正有需要時，再花點時間配合手工琢磨布局，再慢1天也能搞定了吧。

6 關于文字圖例的添加

最后，如果在Cytoscape中調試出了想要的結果，點擊“File > Export > Network to Image”將圖片導出為pdf矢量圖后，放在AI（Adobe Illustrator）中補充文字標簽。例如示例圖中，微生物門水平的名稱、節點數量和所含物種的豐度占比等，就可以通過AI補充。