结合 OTU 和税表并用 OTU id 替换实际序列 (Phyloseq/dada2)答案

【问题标题】：combine OTU and tax table and replace actual sequences with OTU ids (Phyloseq/dada2)结合 OTU 和税表并用 OTU id 替换实际序列 (Phyloseq/dada2)
【发布时间】：2018-10-28 14:20:34
【问题描述】：

我使用示例数据和我自己的数据遵循此处描述的工作流程https://f1000research.com/articles/5-1492/v2。这工作正常，但现在我无法生成包含诸如“OTU00004”或更好的“kingdom_phylum_..._Pseudomonas_OTU00004”之类的标题的 OTU 表。我想使用这样的表来查找并绘制某个 OTU 在多个样本中的丰度。

我创建了一个叫ps的对象，好像没问题：

ps <- phyloseq(tax_table(taxtab), sample_data(samdf),
                 otu_table(seqtab, taxa_are_rows = FALSE),phy_tree(fitGTR$tree))    

> ps
    phyloseq-class experiment-level object
    otu_table()   OTU Table:         [ 454 taxa and 360 samples ]
    sample_data() Sample Data:       [ 360 samples by 14 sample variables ]
    tax_table()   Taxonomy Table:    [ 454 taxa by 6 taxonomic ranks ]
    phy_tree()    Phylogenetic Tree: [ 454 tips and 452 internal nodes ]

但 OTU 表中的标题和分类表中的相应行是实际（此处缩短）序列

> head(otu_table(ps)[1])
     GCAAGCGTTACTCGGAATCACTGGGCGTAAAGAGCGCGTAGGCGG#shortened
F3D0                                             0

> head(tax_table(ps)[1])
Taxonomy Table:     [1 taxa by 6 taxonomic ranks]:
                                                         Kingdom
GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGCAGGCGGA#shortened "Bacteria"

有没有办法将 otu 表和分类表中的信息结合起来，并用编号的 OTU id 替换序列？我检查了几个 phyloseq 资源和常见问题解答，但找不到答案。

我想要一张像这样的表格：

        taxonomy_OTU00001   taxonomy_OTU00002   taxonomy_OTU00003
F3D0    #counts             #counts             #counts
F3D1    #counts             #counts             #counts
F3D11   #counts             #counts             #counts
F3D125  #counts             #counts             #counts

由于此步骤之前的工作流程非常耗时，我不确定如何为该问题提供可重现的示例。

编辑：我按照 dww 的建议生成了一个示例子集。

short_otu2 = short_otu = head(otu_table(ps)[,c(1:6)])  # seq as colnames 
short_tax2 = short_tax = tax_table(ps)[colnames(short_otu), ]  # seq as rownames
# shorten seqs, must still be unique
colnames(short_otu2) <- substr(colnames(short_otu), 0, 50)
rownames(short_tax2) <- substr(rownames(short_tax), 0, 50)

library(phyloseq)
> dput(short_otu2)
new("otu_table", .Data = structure(c(526L, 375L, 2931L, 994L,
2061L, 419L, 319L, 330L, 1737L, 623L, 1868L, 350L, 402L, 207L,
1880L, 577L, 887L, 303L, 413L, 64L, 838L, 698L, 939L, 484L, 146L,
126L, 496L, 440L, 1183L, 184L, 462L, 37L, 26L, 782L, 271L, 310L
), .Dim = c(6L, 6L), .Dimnames = list(c("F3D0", "F3D1", "F3D11",
"F3D125", "F3D13", "F3D141"), c("GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGCAGGCGGAAGAT",
"GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGCAGGCGGACTCT", "GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGTAGGCGGGCTGT",
"GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGTAGGCGGGCTTT", "CCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGAGCGTAGGTGGATTGT",
"GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGTAGGCGGCCTGC"))), taxa_are_rows = FALSE)

> dput(short_tax2)
new("taxonomyTable", .Data = structure(c("Bacteria", "Bacteria",
"Bacteria", "Bacteria", "Bacteria", "Bacteria", "Bacteroidetes",
"Bacteroidetes", "Bacteroidetes", "Bacteroidetes", "Bacteroidetes",
"Bacteroidetes", "Bacteroidia", "Bacteroidia", "Bacteroidia",
"Bacteroidia", "Bacteroidia", "Bacteroidia", "Bacteroidales",
"Bacteroidales", "Bacteroidales", "Bacteroidales", "Bacteroidales",
"Bacteroidales", "Bacteroidales_S24-7_group", "Bacteroidales_S24-7_group",
"Bacteroidales_S24-7_group", "Bacteroidales_S24-7_group", "Bacteroidaceae",
"Bacteroidales_S24-7_group", NA, NA, NA, NA, "Bacteroides", NA
), .Dim = c(6L, 6L), .Dimnames = list(c("GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGCAGGCGGAAGAT",
"GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGCAGGCGGACTCT", "GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGTAGGCGGGCTGT",
"GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGTAGGCGGGCTTT", "CCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGAGCGTAGGTGGATTGT",
"GCGAGCGTTATCCGGATTTATTGGGTTTAAAGGGTGCGTAGGCGGCCTGC"), c("Kingdom",
"Phylum", "Class", "Order", "Family", "Genus"))))

【问题讨论】：

我认为需要一个简单的合并操作，但要验证我们需要样本数据。您应该对您的表进行子集化，以便为该 Q 制作一些可重复的数据。假设基因序列是每个表中的行名，请尝试：short_otu = head(otu_table(ps))，然后对于相应的税表，请执行 short_tax = tax_table(ps)[rownames(short_otu), ]。然后，您可以使用 substr 缩短行名并使用 dput 添加到 qeustion
@dww 我添加了示例数据
嗨 - 我快速浏览了一下，但似乎无法获得您想要的格式。似乎没有任何样本数据，附上“sample_100”、“sample_101”...名称。也许其他更熟悉 phyloseq 的人可以提供更好的帮助
@dww 对不起，“sample_100”等是我自己数据的实际样本名称。在提供的示例中，它是“F3D0”、“F3D1”、“F3D11”、“F3D125”、“F3D13”、“F3D141”等

标签： r phyloseq

【解决方案1】：

这是问题的一部分“用 OTU id (Phyloseq/dada2) 替换实际序列？”

我联系了 phyloseq/dada2 开发人员，根据 Susan Holmes 的回复 (https://github.com/joey711/phyloseq/issues/1030)，我想出了这段代码，用编号的 OTU 标头替换扩增子序列。

可以在这里找到进一步的讨论：https://github.com/joey711/phyloseq/issues/213

# this changes the header from the actual sequence to Seq_001, Seq_002 etc
taxa_names(ps)
n_seqs <- seq(ntaxa(ps))
len_n_seqs <- nchar(max(n_seqs))
taxa_names(ps) <- paste("Seq", formatC(n_seqs, 
                                            width = len_n_seqs, 
                                            flag = "0"), sep = "_")
taxa_names(ps)

将分类法包含在标题中的一种可能方法如下（继续上面的内容）：

# generate a vector containing the full taxonomy path for all OTUs
wholetax <- do.call(paste, c(as.data.frame(tax_table(ps))
                  [c("Kingdom", "Phylum", "Class", "Order", "Family", "Genus")], 
                  sep = "__"))  # to distinguish from "_" within tax ranks

# turn the otu_table into a data.frame
otu_export <- as.data.frame(otu_table(ps))
tmp <- names(otu_export)

# paste wholetax and OTU_ids together
for(i in 1:length(tmp)){
names(tmp)[i] = paste(wholetax[i], tmp[i], sep = "__")
}

# overwrite old names
names(otu_export) <- names(tmp)

> head(otu_export)[5]

# output:  
     Bacteria__Bacteroidetes__Bacteroidia__Bacteroidales__Bacteroidaceae__Bacteroides__Seq_005
F3D0                                                                                         146
F3D1                                                                                         126
F3D11                                                                                        496
F3D125                                                                                       440
F3D13                                                                                       1183
F3D141                                                                                       184

这还不包括表格之间正确排序的测试！所以要确保粘贴和覆盖是正确的。

这样您就有了一个 data.frame，其中包含每个分类等级的分类“可拆分”、OTU id、样本名称和一个文件中的计数。但除了导出文件之外，您仍然维护 phyloseq 结构，其中 OTU_id 链接不同的表，例如 otu_table() 和 tax_table()。另一种方法是将wholetax 向量提供给taxa_names() 命令，我还没有测试过。

非常欢迎提出改进建议！

【讨论】：