三元图，其实我不常见，主要在微生物相关的paper中看过。
所以先看定义。三元图用一个等边三角形描述三个变量的不同属性的比率关系，并将这种比率关系映射在等边三角形的特定空间中。我们可根据重心坐标来定位图中的点，将点作垂线到三个轴上，根据垂点位置可视化三个变量之间的比率。
接下来我们来具体说明。下面这个图是微生物paper中的一个图，反映了细菌OTUs在植物（Arabis alpina）根系区域的富集信息。图中，三个顶点分别代表土壤（Soil）、植物根际土壤（Rhizosphere）以及植物根组织内（Root）三种不同的根系微环境区域，每一个点表示一种OTU，点的位置由三种根系微环境对各OTU相对丰度的贡献确定，点的大小表示各OTU的相对丰度。根据各OTU在各根系微环境中的丰度数据进行统计检验后，得知各OTU分别在哪种微环境中显著富集，并据此在图中以不同颜色的点表示（土壤富集，黑色；根际区富集，红色；根内富集，绿色）。如此，各OTU的富集区域一目了然。
文献：Root microbiota dynamics of perennial Arabis alpina are dependent on soil residence time but independent of flowering time
我们也用一组简单的微生物数据做测试，测试数据很简单，每个OTU在三个环境的丰度，然后表征在那个环境中富集（可以自己先做好统计检验），还有一列是代表OTU分类的列。
我们先测试第一个包，R的vcd包中提供了绘制三元图的命令ternaryplot()。我们通过ternaryplot()实现三元图的绘制。
dat <- read.table("data.txt", sep = '\t', header=T)
##ternaryplot() 三元图
library(vcd)
dat1 <- dat
#点的大小用于表示 OTUs 丰度
#由于各 OTUs 丰度差异过大，还有cex调控比较敏感，我取了均值的对数除以2
dat1$size <- apply(dat1[2:4], 1, mean)
dat1$size2 <- log10(dat1$size)/2
#颜色表示各 OTUs 的富集样本
dat1[which(dat1$rich == 'env1'),'color'] <- 'red'
dat1[which(dat1$rich == 'env2'),'color'] <- 'blue'
dat1[which(dat1$rich == 'env3'),'color'] <- 'green3'
dat1[which(dat1$rich == '0'),'color'] <- 'gray'
#ternaryplot() 示例，按 OTUs 富集区域着色
ternaryplot(dat1[2:4], col = dat1$color)
但是还没设置大小，所以是同等大小的
ternaryplot(dat1[2:4], scale = NULL, col = dat1$color, prop_size = FALSE, cex = dat1$size2, main = 'Enriched OTUs')
#其中scale代表显示scale的范围不；prop_size 要和cex联合使用（当prop_size参数为TRUE时，自动忽略cex参数）。
grid_legend(x = 0.8, y = 0.7, pch = c(19, 19, 19), col = c('red', 'blue', 'green3'), label = c('env1', 'env2', 'env3'), title = FALSE, frame = FALSE)
下面我们测试另外一个包。Ternary包提供了从头绘制三元图的方法，作图数据集需要分别构建，再通过TernaryPlot()、AddToTernary()等作图命令一步步绘制三元图组件。缺点是点文件，size和col文件都需要自己准备。
library(Ternary)
dat2 <- dat
#计算点坐标，根据变量在三个样本中的相对比率，再乘以 100，即可得到
dat2$sum <- apply(dat1[2:4], 1, sum)
dat2$env1 <- 100 * dat2$env1/dat2$sum
dat2$env2 <- 100 * dat2$env2/dat2$sum
dat2$env3 <- 100 * dat2$env3/dat2$sum
otu <- list() #输入需要list格式
for (i in 1:nrow(dat2)) {
otu[[i]] <- as.vector(unlist(dat2[i,c(2:4)]))
names(otu)[i] <- as.vector(dat2[i,1])
}
#赋值点颜色，颜色表示各 OTUs 的富集样本
dat2[which(dat2$rich == 'env1'),'color'] <- 'red'
dat2[which(dat2$rich == 'env2'),'color'] <- 'blue'
dat2[which(dat2$rich == 'env3'),'color'] <- 'green3'
dat2[which(dat2$rich == '0'),'color'] <- 'gray'
color <- c()
for (i in 1:nrow(dat2)) {
color[i] <- dat2[i,'color']
names(color)[i] <- as.vector(dat2[i,1])
}
#赋值点大小
size = c()
for (i in 1:nrow(dat2)) {
size[i] <- log10(apply(dat1[i,2:4], 1, mean) )
names(size)[i] <- as.vector(dat2[i,1])
}
#作图
TernaryPlot(atip = 'env1', btip = 'env2', ctip = 'env3', col = NA, grid.col = 'gray', grid.minor.col = NA, axis.col = 'black')
AddToTernary(points, otu, col = color, cex = size, pch = 20)
下面介绍一个可能像我更常用的ggtern。ggtern是在ggplot2的基础上开发的，其语法和ggplot2几乎一致，且功能也像ggplot2一样的强大，因此对于习惯使用ggplot2作图的肯定也会更倾向于使用ggtern绘制三元图。
library(ggtern)
dat3 <- dat
#点的大小用于表示 OTUs 丰度
dat3$size <- log10(apply(dat3[2:4], 1, mean))/2
下面我们就测试如何来画这个三元图。
ggtern(dat3, aes(env3, env1, env2)) +
geom_point(aes(color = rich, size = size), alpha = 0.8)
这就是一个最基本的控制颜色和size的三元图了，但是不太好看，需要调整一些参数。
ggtern(dat3, aes(env3, env1, env2)) +
#geom_point(aes(color = rich, size = size), alpha = 0.8) +
#theme_legend_position("topright") +
geom_point(aes(color = rich, size = size), alpha = 0.8, show.legend = FALSE) +
scale_size(range = c(0, 6)) +
scale_colour_manual(values = c('red', 'blue', 'green3', 'gray'), limits = c('env1', 'env2', 'env3', '0')) +
theme_bw() +
#theme_rgbw( ) +
geom_mask() +
theme(axis.text = element_blank(), axis.ticks = element_blank())+
theme(text = element_text(size = 20))
ggtern(dat3, aes(env3, env1, env2)) +
geom_point(aes(color = taxonomy, size = size), alpha = 0.8) +
#theme_legend_position("topright") +
#geom_point(aes(color = taxonomy, size = size), alpha = 0.8, show.legend = FALSE) +
scale_size(range = c(0, 10)) +
scale_colour_manual(values = rainbow(14)) +
theme_bw() +
#theme_rgbw( ) +
geom_mask() +
theme(axis.text = element_blank(), axis.ticks = element_blank())+
theme(text = element_text(size = 20))+
guides(size = 'none')
我们把color改成了按照taxonomy来着色了，看下不同种群的差异情况。
网友评论