16分析之差异分析（limmar）

16分析之差异分析（limmar）

1.16s分析之差异OTU 挑选（edgeR）

2.16s分析之差异分析（DESeq2）

limmar package是一个集大成的包，对载入数据、数据前处理（背景矫正、组内归一化和组间归一化都有很多种选择方法）、差异基因分析都有很多的选择。但是这里我当然全部没有研究这这些功能，加油吧！

另外，本人唯一的实验数据结果又达不到预期，明天就是汇报，看来我只能做一个观众了！只能默默祭奠我的劳动吧，劳动光荣！

下面是整个分析过程，一次性贴出来吧，也不进行过多

#limma基于相对丰度计算差异

library(limma)

setwd(\"E:/Shared_Folder/HG_usearch_HG\")

# 读入实验设计

design =read.table(\"map_lxdjhg.txt\

# 读取OTU表

otu_table = read.delim(\"otu_table.txt\1,

sep=\"\\

#本步骤采用otu。table基于抽平后的qiime文件，去掉第一行，和第二行首行的#符号，即可导入成功。

# 过滤数据并排序

idx =rownames(design) %in% colnames(otu_table)

idx

sub_design =design[idx,]

count =otu_table[, rownames(sub_design)]

head(count)

# 转换原始数据为百分比，

norm =t(t(count)/colSums(count,na=T))

#下面来筛选差异otu

design.mat =model.matrix(~ 0 + sub_design$SampleType)

colnames(design.mat)=levels(design$SampleType)

#可以同时设置好几组比较

contrast.matrix<- makeContrasts(GC1-G0, levels=design.mat)

#行线性模型拟合

fit <-lmFit(norm, design.mat)

#根据对比模型进行差值计算T-test对数据进行计算

fit2 <-contrasts.fit(fit, contrast.matrix)

#贝叶斯检验

fit2 <-eBayes(fit2)

#\"fdr\"(equivalent to \"BH\");lfc(log2-fold-change )

results<-decideTests(fit2,method=\"global\p.value=0.05, lfc=0)

adjust.method=\"BH\

summary(results)

x<-topTable(fit2,coef=1, sort.by=\"p\

number=10000, adjust.method=\"BH\

head(x)

#提取各组相对丰度均值

Y=fit$coefficients

head(Y)

#提取我们需要的组

Y=data.frame(Y)

R=Y[c(\"GC1\

head(R)

#合并，将相对丰度放在前面

index =merge(R,x, by=\"row.names\

head(index)

#存为.xls文件

write.table(index,file=\"差异比较测试limma.xls\

#存为.txt文件

write.table(index,\"差异比较测试limma.txt\

col.names = T,sep = \"\\")

结果展示：

如果对差异进行可视化请选择：

16s分析之差异展示（热图）

学习永无止境，分享永不停歇！