「R绘图模板」Mantel test 进阶玩法:多组学整合分析可视化(附R代码)!!!

在微生物组、转录组、代谢组等多组学研究中，我们常常需要回答：环境因子如何影响不同层面的群落结构？ 传统的 Mantel 检验只能输出一个相关系数和 p 值，无法直观展示多个数据矩阵与环境因子的关联模式。

今天，我们介绍一种进阶可视化方法：将环境因子间的相关性热图与多个 OTU 表（或各组学数据）的 Mantel 检验结果整合到一张图中，通过连线颜色、粗细直观表达关联强度与显著性。

全部代码基于 ggClusterNet 包及对其内部函数的微改动，可复现，你只需替换自己的数据即可。

一、什么是 Mantel test？为什么要进行多组学整合？

Mantel test 大白话：

计算两个距离矩阵之间的相关性（例如环境差异矩阵 vs 群落差异矩阵）。如果显著相关，则说明环境差异与群落差异具有一致性，环境因子可能驱动群落变化。

多组学整合分析：

我们可能同时拥有细菌群落、真菌群落、代谢组数据等多个数据集。我们想知道：环境因子与 每一个数据集之间是否显著相关？关联强度有多大？通过一张组合图，我们可以同时展示：

二、数据准备与自定义函数

2.1 使用 ggClusterNet 示例数据

library(tidyverse)library(ggClusterNet)library(phyloseq)data(ps)       # phyloseq 对象，包含 OTU 表和分类信息data(env1)     # 环境因子数据框（行为样本，列为环境变量）# 提取 OTU 表并转置（行为样本，列为 OTU）otu1 <- as.data.frame(t(vegan_otu(ps)))# 模拟多个数据集（实际可替换为真菌、代谢物等）otu2 <- otu1otu3 <- otu1# 组织为列表tabOTU <- list(GroupA = otu1, GroupB = otu2, GroupC = otu3)

注意：实际应用中，otu1, otu2, otu3 可以替换为不同组学数据（如细菌、真菌、功能基因）。

2.2 自定义函数加载

由于 ggClusterNet 包自带的函数中并没有修改颜色等参数，为了更贴合文献中的图形，小编对原包中的Miccorplot3、cor_linkj、matcorplotj三个函数进行了微调，  以便控制更多细节（感兴趣的小伙伴可以自行探索修改哈）。你需要将这些 R 脚本放在工作目录下，并通过 source() 加载：

source("Miccorplot3.R")source("cor_linkj.R")source("matcorplotj.R")

如果您没有这些文件，可以在文章末尾查看单篇代码的具体获取方式。

2.3 定义连线布局（matrix.line）

matrix.line <- list(x = names(tabOTU)[1:2],   # 将 GroupA 和 GroupB 的连线放在图形右侧（x方向）  z = names(tabOTU)[3]      # 将 GroupC 的连线放在底部（z方向）)

通过 matrix.line 你可以自定义每个 OTU 表（群落）的 Mantel 连线在热图中的位置，避免多组连线过度重叠。

三、绘图步骤详解

3.1 绘制环境因子相关性热图

Miccorplot3(  data       = env1,  method.cor = "spearman",   # 使用 Spearman 秩相关  cor.p      = 0.05,x          = TRUE,y          = TRUE,  diag       = FALSE,  lacx       = "right",      # X轴标签放在右侧  lacy       = "top",        # Y轴标签放在顶部  sig        = FALSE,        # 不显示显著性星号  siglabel   = FALSE,  shownum    = FALSE,        # 不显示相关系数数值  numpoint   = 21,  numsymbol  = NULL)

这一步只是基于于 ggClusterNet 包中的Miccorplot3函数进行热图绘制，不显示数字和星号，使图形更简洁。

3.2 整合 Mantel 连线（核心步骤）

matcorplotj(  env.dat     = env1,  tabOTU      = tabOTU,  corva       = -0.08,  zoom        = 3,   diag        = FALSE,  range       = 0.01,  numpoint    = 21,  numpoint2   = 21,  sig         = FALSE,  siglabel    = FALSE,  shownum     = FALSE,  curvature   = 0.2,  numsymbol   = NULL,  lacx        = "right",  lacy        = "top",  p.thur      = 0.05,  onlysig     = TRUE,  method.cor  = "spearman",  method      = "metal",  distance    = "bray",  cor.p       = 0.05,x           = TRUE,y           = TRUE,  matrix.line = matrix.line)

关键参数解释：

四、结果解读与图形美化

4.1 图形构成

• 线颜色：红色表示正相关（环境差异与群落差异方向一致），蓝色表示负相关。

• 线粗细：反映 Mantel r 值的大小（r 绝对值越大，线越粗）。

4.2 如何让图形更美观？

五、拓展：使用不同配色方案

# 配色方案一source("Miccorplot3_2.R")matcorplotj(...)   # 参数同上# 配色方案二source("Miccorplot3_3.R")matcorplotj(...)# 配色方案三source("Miccorplot3_4.R")matcorplotj(...)

通过更换不同版本的 Miccorplot3.R 文件，可以快速改变热图的颜色渐变，适应不同期刊的审美要求。

六、常见问题与注意事项