【原】【R分享|實(shí)戰(zhàn)】ADONIS,、ANOSIM,、PERMANOVA及 MRPP的使用和選擇

科白君 2021-11-28

展開全文

本期推送內(nèi)容

PCA,、PCoA、NMDS等降維分析,，大家應(yīng)該都非常了解,，這幾種分析在先前的推文都有相應(yīng)的介紹。此外,，大家可能常在微生態(tài)的文章中看到ADONIS,、ANOSIM、PERMANOVA,、MRPP等分析（均為多元非參數(shù)檢驗(yàn)）然而大部分同學(xué)對(duì)該分析并不了解,。此前不少同學(xué)在公眾號(hào)留言，想學(xué)習(xí)相關(guān)的分析方法,，所以今天與大家分享多元非參數(shù)檢驗(yàn),，如何對(duì)其進(jìn)行選擇，以及如何借助R語言實(shí)現(xiàn)這些分析,。

非參數(shù)多元檢驗(yàn)的簡介及作用

在微生物生態(tài)領(lǐng)域有一種分析被廣泛應(yīng)用,，便是降維分析,，例如有PCA,、PCoA、NMDS,、CCA,、RDA等等。這些分析主要是基于距離矩陣來計(jì)算不同處理或者條件下樣本組間物種組成的相似性和差異性,。而前者都是定性的方法,，正如之前推文所描述的【R分析|實(shí)戰(zhàn)】Mantel 與 partial Mantel分析，mantel或者partial mantel可以與CCA聯(lián)用,，來定量判斷微生物群落與環(huán)境變量兩個(gè)矩陣的相關(guān)性,。今天，我們可以利用以下分析方法,，主要包括ADONIS,、ANOSIM、MRPP等來定量分析不同分組因素對(duì)樣品差異的解釋度,，并通過置換檢驗(yàn)進(jìn)行顯著性分析,，判斷是否具有統(tǒng)計(jì)學(xué)意義。

ADONIS,，被稱為多元方差分析,，亦稱為PERMANOVA (Permutational multivariate analysis of variance，置換多元方差分析)或非參數(shù)多因素方差分析(nonparametric MANOVA),，是一種基于樣品距離（默認(rèn)為Bray-Curtis或者其余距離如Euclidean)的非參數(shù)多元方差分析,，是MANOVA的等同形式,。它通過線性模型分析不同分組因素或環(huán)境因子(如土壤理化性質(zhì)等)對(duì)樣品差異的解釋度，并使用置換檢驗(yàn)進(jìn)行顯著性分析,。

ANOSIM (Analysis of similarities),，通常被稱為組間差別分析，是一種用于比較組間(兩組或多組)的差異是否顯著大于組內(nèi)差異的非參數(shù)檢驗(yàn),，從而判斷分組是否有意義,。默認(rèn)利用 Bray-Curtis 算法計(jì)算兩兩樣品間的距離，然后將所有距離從小到大進(jìn)行排序,，先計(jì)算 R 值,，再將樣品進(jìn)行置換。

MRPP (Multiple Response Permutation Procedure),，被稱為多響應(yīng)置換過程分析,，通常也用于檢驗(yàn)組間(兩組或多組)的差異是否顯著大于組內(nèi)差異。與Anosim 分析類似,，可利用半定量(如 Bray-Curtis)或定量距離矩陣(如 Euclidean)計(jì)算 A 值表示組間差異,，使用置換檢驗(yàn)對(duì)分組進(jìn)行顯著性分析。

通過上面對(duì)幾種方法的簡要介紹后,，相信大家已經(jīng)有一個(gè)基本的了解,，同時(shí)也清楚了MANOVA與ADONIS是同類分析。接下來,，主要介紹它們?nèi)绾卧赗語言中使用和運(yùn)行：

R語言代碼學(xué)習(xí)過程

上面所描述的方法主要基于"vegan"R包,。

1）ADONIS分析

# ADONIS--------------------------------
library(vegan) # R包加載
?adonis() # 向help咨詢函數(shù)的用法

查詢?nèi)缦拢?/span>

我們發(fā)現(xiàn)是有兩種函數(shù)可供選擇的。進(jìn)一步加載數(shù)據(jù)：

# 物種數(shù)據(jù)
data(dune)
head(dune)
# 環(huán)境變量數(shù)據(jù)
data(dune.env)
head(dune.env)

數(shù)據(jù)結(jié)果：

使用兩種函數(shù)查看差異：

adonis(dune~A1, data=dune.env, permutations = 999)
# ?adonis2
adonis2(dune~A1, data=dune.env, permutations = 999)

當(dāng)利用adonis2函數(shù)跑同樣模型時(shí),，能看到Terms added sequentially (first to last),；這里與adonis不同，表明環(huán)境因子的順序?qū)Y(jié)果存在影響,，特別是環(huán)境因子之間存在相關(guān)性時(shí),。

進(jìn)一步看adonis函數(shù)改變不同變量順序的結(jié)果：

adonis(dune~A1+Moisture, data=dune.env, permutations = 999)
adonis(dune~Moisture+A1, data=dune.env, permutations = 999)

于是利用adonis針對(duì)Al和Moisture兩個(gè)變量更改順序：結(jié)果顯示當(dāng)Al在前時(shí)，其解釋了總體差異的16.8%,，而Moisture解釋了27.6%,；當(dāng)Al在后時(shí)，僅解釋了總體差異的0.04%,，而Moisture解釋了40.2%,。該結(jié)果也說明了不同環(huán)境變量之間本身是存在相關(guān)性，可以利用adonis2函數(shù)（by="margin"）計(jì)算邊緣概率,。也就是控制某一變量,，探究其他變量對(duì)物種群落的影響。

利用adonis2函數(shù)計(jì)算邊緣概率進(jìn)行檢驗(yàn)：

adonis2(dune~Moisture+A1, data=dune.env, permutations=999, by="margin")
adonis2(dune~A1+Moisture, data=dune.env, permutations=999, by="margin")

在控制A1時(shí),，Moisture對(duì)物種群落的影響是顯著的,。反之,，在控制Moisture時(shí)，A1不顯著,。

此外,，我們還可以使用dbrda函數(shù) (基于距離的冗余分析)來判斷邊緣概率：

by1 <- dbrda(dune~A1+Moisture, data = dune.env, dist = 'bray')
anova(by, by = 'margin')

by2 <- dbrda(dune~Moisture+A1, data = dune.env, dist = 'bray')
anova(by, by = 'margin')

結(jié)果顯而易見，且方法不存在順序問題,。

2) ANOSIM分析

繼續(xù)用的上面adonis所使用的數(shù)據(jù)集

# ANOSIM ----------
# 首先需要將數(shù)據(jù)轉(zhuǎn)成dist格式
dune.dist <- vegdist(dune)
# 然后再利用anosim函數(shù)進(jìn)行計(jì)算
dune.ano <- anosim(dune.dist, dune.env$Management, permutations = 999)
summary(dune.ano)

查看模型結(jié)果：

圖中的ANOSIM statistic R為統(tǒng)計(jì)量,，分布衡量的為零模型的分布，Upper quantiles of permutations就是通過999次置換得到統(tǒng)計(jì)量的分位數(shù),。如果R>0,，說明組內(nèi)距離小于組間距離，即分組是有效的,。從結(jié)果可以看到R=0.2579,，大于零模型99%分位數(shù)0.241，因此p值為0.001,，結(jié)果是顯著的,。

可以進(jìn)一步提取距離的秩的分析結(jié)果，并進(jìn)行繪制：

dune.ano$dis.rank
dune.ano$class.vec
plot(dune.ano)

從結(jié)果來看,，可以看出NM分組效果較差,，但總體來說分組是有效的。

3）MRPP

繼續(xù)用的上面adonis所使用的數(shù)據(jù)集,，并使用mrpp函數(shù)進(jìn)行分析,。

# MRPP -----------------
dune.mrpp <- mrpp(dune, dune.env$Management, permutations = 999)
dune.mrpp
summary(dune.mrpp)

結(jié)果如下：Significance of delta 即顯著性p值，小于0.05說明存在顯差異,；Chance corrected within-group agreement A 即A值，如果A大于0說明組間差異大于組內(nèi)差異,，小于0說明組內(nèi)差異大于組間差異,；observe delta的值越小說明組內(nèi)差異小，expect delta的值越大說明組間差異大,。

進(jìn)一步提取兩個(gè)主要數(shù)據(jù)：A和P值

dune.mrpp$A
dune.mrpp$Pvalue

結(jié)果：我們得知BF,、HF、NM,、SF之間的物種群落結(jié)構(gòu)在整體水平上是存在顯著差異的,。

ADONIS、ANOSIM,、MRPP的比較和選擇

那么有三種方法,，我們作何選擇呢？在什么情況下使用呢,？由于方法選擇上存在很多主觀因素在里面,，提供一些建議供大家參考,。

1）對(duì)于真實(shí)的數(shù)據(jù)集，ADONIS通常（但并非總是）比其它方法更強(qiáng)大,。與ANOSIM,、 MRPP 不同， ADONIS 穩(wěn)健性更高,，既能夠處理因子變量也能夠處理連續(xù)的數(shù)值變量（等同回歸模型）,。由于ADONIS 為置換多因素方差分析，因此可以靈活使用方差分析,，大大提高分析效果,。

2）方法選擇上，在微生物的分析中通常會(huì)把ADONIS和PCA分析結(jié)合在一起,。通過PCA定性分析后,，可以進(jìn)一步檢驗(yàn)不同的分組之間究竟是否存在顯著，我們可以選擇ADONIS檢驗(yàn),。而在做完P(guān)CoA,、NMDS等降維分析的時(shí)候，數(shù)據(jù)看起來是存在差異的,，但是為了確定不同的組之間是否真的顯著,？可以選擇ANOSIM檢驗(yàn)。

3）此外,，為了確定組間是否存在顯著差異,，可以同時(shí)使用ADONIS、ANOSIM,、MRPP三種非參數(shù)多元檢驗(yàn),，強(qiáng)調(diào)分析結(jié)果的準(zhǔn)確性。

4）為什么ADONIS,、ANOSIM,、MRPP的結(jié)果不同？由于本身分析的東西不一樣,，所以得到結(jié)果不同是正常的,。如果探究的因子變量影響很強(qiáng)，通常結(jié)果比較相似,。如果因子變量影響較弱,，結(jié)果的差異可能比較大可能產(chǎn)生差別。因此,，結(jié)果不同表明因子變量的影響可能不是真的,，或者效應(yīng)很弱。另外,，還需要比較各方法的統(tǒng)計(jì)量,，即ADONIS的F值和ANOSIM的R值還有MRPP的A值,。如果很低，即使各方法的P值都顯著,，也只能說明效應(yīng)不為真或很弱,。

參考鏈接：

1.https://cloud.tencent.com/developer/article/1855042

2.http://www./?p=1474

3.https://blog.csdn.net/qq_42458954/article/details/110390488

感興趣的同學(xué)可以通過以下方式與我們溝通、交流和學(xué)習(xí)：